兴业数金荣获可信云“银行云”奖和“企业级SaaS”认证
2018年8月14日-15日，由中国信息通信研究院、中国通信标准化协会主办的“2018可信云大会”在北京国际会议中心召开。兴业数金通过可信云评估的各项指标考核，获得行业云—银行云成就奖和可信云企业级SaaS认证。
可信云评估是国内首个获得市场高度认可的云计算标准和评估方法。此次可信云银行云认证基于服务可用性、数据存储持久性、数据私密性、数据迁移性、网络接入性能等技术维度与行业影响力综合评选，兴业数金凭借在金融领域安全、合规、丰富的技术产品和解决方案获得行业云—银行云成就奖，也是唯一一个获此殊荣的企业。
兴业数金自成立以来，一直致力于帮助中小银行提升金融服务实体经济和创新创业的能力和效率，为中小金融机构提供技术与业务相结合的、全方位、一体化的云服务。截至目前，兴业数金数金云已累计服务超350家合作银行，有400项从基础设施到解决方案的服务品种，成为国内的银行信息系统云服务平台。
可信云企业级SaaS服务认证体系，从数据安全、产品功能、运营服务能力、客户成功服务、权益保障以及SaaS特有能力等27项指标展开严格、全面的评估，帮助用户严格评估企业级SaaS服务。兴业数金倚天鉴区块链电子合同服务平台（简称“倚天鉴”）通过可信云27项指标考核，成为行业首批获得可信云“企业级SaaS服务”认证的厂商。
兴业数金倚天鉴作为一款合同签署双方提供闪电签、快捷签、标准签和平台签等四种模式的区块链电子合同服务平台，具有主体认证、在线签署、数字证书、云端存储和区块链存证等五大功能，且各项指标均满足可信云认证要求。目前在事件链多节点可追溯、签名位可固定和签署顺序自定义等三方面都处于国内领先的地位。
在未来，兴业数金将继续深耕金融科技领域，构建金融科技资源生态平台，帮助客户节约成本、提高效率，帮助金融行业客户向智能化转型。
首批 | 兴业数金倚天鉴通过可信云“企业级SaaS服务”认证
7月30日，兴业数金倚天鉴区块链电子合同服务平台（简称“倚天鉴”）通过可信云27项指标考核，成为行业首批获得可信云“企业级SaaS服务”认证的厂商。这是倚天鉴继获得3项著作权和4项专利后，又一个具有重要意义的殊荣。
此次可信云 “企业级SaaS服务” 认证体系，从数据安全、产品功能、运营服务能力、客户成功服务、权益保障以及SaaS特有能力等27项指标展开严格、全面的评估，帮助用户严格评估企业级SaaS服务。
倚天鉴作为一款合同签署双方提供闪电签、快捷签、标准签和平台签等四种模式的区块链电子合同服务平台，具有主体认证、在线签署、数字证书、云端存储和区块链存证等五大功能。目前在事件链多节点可追溯、签名位可固定和签署顺序自定义等三方面都处于国内领先的地位。
倚天鉴本次参与评级认证的企业级SaaS服务，在数据存储的持久性、数据可销毁性、数据可迁移性、数据私密性、数据知情权、数据保密性、服务可审查性、事件响应机制、客户成功服务能力等指标项均满足可信云服务认证要求。
早前，中国信通院联合兴业数金等电子合同领头公司、CA机构以及法律专家，共同完成了可信云电子合同信任服务企业级SaaS评估标准制定工作，并于2018年6月发布。该标准在可信云基础评估的基础上，针对电子合同订立流程中身份管理、电子签名、签章管理、合同管理、存证保全等各关键环节，对云服务商提供的电子合同在线签署服务提出规范性要求，并进行真实性验证，对行业规范发展具有重要意义。
未来，倚天鉴在发挥自身产品优势为客户服务的同时，也将持续为行业标准制定工作贡献力量。
机器人说 | 资产配置机器人7月业绩单，请你过目
产品简介：兴业数金资产配置机器人（Asset Allocation Robot，以下简称“AAR”）以国内公募基金为标的，由基于递归神经网络的算法模型驱动生成基金投资组合，结合投资者行为标签进行用户画像，自动推送给投资者适配组合，包括大类资产类型及子类资产基金的配比，并自动跟踪市场变化，对资产配置和投资组合进行动态再平衡。
最新配置结果：基于截至7月底的基础资产市场信息，AAR给出的分类配置结果如下：对经用户画像后识别出的低风险投资者来说，其大类资产配置以货币类基金为主，适当配置权益型基金（17.65%），货币基金居于绝对主导（占比82.35%）；对于识别出的中风险投资者来说，AAR降低对货币基金的投资（占比67.47%），增加对权益类基金的投资(32.53%)；而对于高风险的投资者，AAR依然以权益类基金投资为主（占比71%）。
最新配置业绩：最近一个月，AAR对识别为低、中、高风险层级投资者推送的组合分别获得0.76%、-1.16%、-2.72%的累计收益率，同期沪深300、上证综指、中证500累计收益率分别为0.19%、1.02%和-0.56%；AAR三类投资组合的最大回撤分别为0.60%、3.18%、3.53%，而沪深300、上证综指、中证500最大回撤分别为4.80%、3.99%、4.50%；AAR三类投资组合的年化波动率分别为3.16%、7.61%、8.37%，而沪深300、上证综指、中证500指数年化波动率分别为20.92%、19.72%、21.51%，AAR波动和回撤更小。
一、AAR的大类资产配置结果
图 1：大类资产市场表现（截至2018年7月）
大类资产在2018年7月走势各不相同，对外贸易经常账户出现了入世后首次逆差，同时央行也开始定向降准，进行公开市场净投放，受此影响，股市先抑后扬，最终沪深300，上证综指微涨，中证500微跌0.56 %，而大宗商品上涨超过2%，债市和货币市场微涨，AAR及时捕捉各类资产市场行情变化，对金融市场进行智能化认知、识别，自动调整各类投资者的资产配置比例。以下从大类资产的层面来看，AAR对不同类型投资者的持仓进行差异化动态调整的情况如下：
1、低风险层级投资者推送组合的历史仓位变化
图 2：低风险投资者推送组合的大类资产仓位变化
对于识别为低风险层级的投资者，主要配置收益较稳定的资产类型。随着货币市场走势的稳定，AAR最终配置比例为货币基金比重为82.35%，而权益型基金配置比重17.65%。
2、中风险层级投资者推送组合的历史仓位变化
图 3：中风险投资者推送组合的大类资产仓位变化
对于识别为中风险层级的投资者，AAR平衡不同风险类型资产的配比，在货币市场企稳微涨、股市保持震荡的背景下，增加货币基金配比至67.47%，同时降低权益型基金配置比重至32.53%。
3、高风险层级投资者推送组合的历史仓位变化
图 4：高风险投资者推送组合的大类资产仓位变化
对于识别为高风险层级的投资者，AAR自动配置更多高风险的基金，考虑到近期股票市场存在较大风险，最终AAR配置权益基金的比重控制在71%，增加货币型基金的配比至29%。
二、AAR各类投资者推送组合的业绩表现
AAR能对不同类型投资者进行识别，将用户智能分为10个风险层级，在预期收益和流动性需求一定的情况下，对各风险层级的用户进行不同的组合配置，也会有差异化的表现。
从2018年7月份当月表现来看，兴业数金AAR对识别为低、中、高风险层级不同投资者推送的组合分别取得了0.76%、-1.16%、-2.72%的累计收益，而同期沪深300、上证综指和中证500累计收益为0.19%、1.02%和-0.56%；从最近一年来看，数金AAR累计收益分别为3.31%、5.25%、6.58%，基准累计收益为-2.74%、-4.30%、-5.89%，组合长期表现跑赢基准指数，而且与各类基准指数相比，AAR配置组合的波动率大幅减低，体现了很好的稳定性和抗风险能力，具体业绩披露如下：
1、各风险层级投资者组合7月业绩披露
表1：各风险层级投资者推送组合-7月业绩披露表
2、不同类型投资者推送组合的表现及业绩归因
2.1低风险层级投资者推送组合的表现及业绩归因
图 5：低风险层级投资者推送组合近一年表现
图 6：低风险层级投资者推送组合近1月业绩归因
2.2中风险层级投资者推送组合的表现及业绩归因
图 7：中风险层级投资者推送组合近一年表现
图 8：中风险层级投资者推送组合近1月业绩归因
2.3高风险层级投资者推送组合的表现及业绩归因
图 9：高风险层级投资者推送组合近一年表现
图 10：高风险层级投资者推送组合近1月业绩归因
3、各风险层级组合近一年表现汇总
图 11：各风险等级组合与基准累计收益率对比（近1年）
图 12：各风险等级组合与基准最大回撤对比（近1年）
物流 | 兴业数金链金师产品在内蒙古自治区亮相
7月26日至27日，由内蒙古自治区交通厅承办的全区无车承运人试点政策宣贯交流会在鄂尔多斯空港物流园区举办，内蒙古自治区交通厅运输管理局副局长郭莹、鄂尔多斯市交通运输局副调研员张军生等嘉宾出席，鄂尔多斯市内外多家交通运输部门、试点企业代表和非试点企业代表共300余人参加此次交流会，兴业银行呼和浩特分行、鄂尔多斯分行、包头分行和兴业数金也受邀参会。
会议现场
此次会议围绕无车承运人运营模式、税务和保险政策解读、软件系统建设等内容进行交流，推进无车承运人试点工作的落实。兴业数金携新产品链金师亮相，链金师产品负责人陈创发表了名为《无车承运绿色金融服务》的主题演讲。
在演讲中，陈创强调，要促进物流行业的长远发展，需要各种组织形态通力合作、积极参与，优化整个产业供应链流程，打通物流、信息流和资金流，实现三流合一，形成业务闭环，推动行业多元、有序的竞争。
近年来，随着宏观环境的不断演变发展，物流行业正面临着前所未有的挑战。国家无车承运人政策持续推进，物流企业平台化随之加速，随着业务量的激增，向承运方高频付款，耗费大量财务人员精力，运费结算效率和准确率都亟待提高。此外，物流行业还面临着货主企业账期长、融资流程复杂、放款速度慢、企业现金流短缺等痛点。行业亟需一场变革，而与金融科技公司紧密合作，是物流公司实现业务转型的最佳路径。
在这样的行业现状下，兴业数金链金师平台应运而生。针对整车物流行业的财资管理需求，链金师提供支付结算和现金管理的功能，并基于此拓展贸易金融服务。
陈创向与会嘉宾介绍了链金师平台的流程图和四大资金管理功能：
1.基于财务收付款管理的账户体系打造的企业钱包，确保合规的基础上，带来互联网钱包式的体验；
2.核心物流企业将应付运费确认给承运方，只有在承运方发起提现后，运费才离开核心企业帐户，有效延长核心物流企业资金存留时间，提高综合留存效益；
3.提现帐户只能由承运人自行绑定经过鉴定的银行卡，降低财务工作量，提高支付准确性和安全性；
4.基于物流、信息流和资金流三流合一的数据，辅以大数据风控手段，为中小物流企业提供在线融资服务，践行绿色普惠金融。
链金师平台流程图
通过此次交流会，与会嘉宾对链金师平台的智能账户管理解决方案有所了解，当场咨询如何接入平台。链金师的产品经理也为客户答疑解惑，帮助客户全面了解产品功能。
兴业数金始终致力于将金融创新融入不同场景以满足市场多样化需求，现有产品已在行业中获得高度认可。新产品链金师通过平台搭建，将携手兴业银行呼和浩特分行、鄂尔多斯分行、包头分行等其他分行一起为整车物流企业提供低成本、行业化的金融解决方案，实现物流行业金融赋能，推动行业健康发展。
开放银行系列之概念篇：何为开放银行？
当我们回顾银行发展史之时，可以观察到，商业银行的变革可归纳为三个阶段。在第一阶段，产品导向的银行将展业重心置于传统实体网点服务，通过异地扩张、追求规模效应、网点扩张的背后，是资本金、人力以及产品运营效率和成本之间的矛盾。进入到第二阶段后，随着移动互联、互联网金融的演进，商业银行纷纷自建渠道、场景，通过网上银行、手机银行提高柜面替代率以期提升客户服务能力和服务粘性。千篇一律的直销银行、生活缴费、积分商城等在这一阶段产生，产品同质化的背后，每家银行都面临着流量、产品与客户服务的困局。这就促使银行业进入第三阶段：走出去，即实现跨界融合，实现银行与银行之间、银行与非银金融机构甚至与跨界企业间的数据共享与场景融合。
在银行生态重构的进程中，一个全新的概念——开放银行诞生了。纵观全球，开放银行模式呈现快速发展态势，诸多开放银行模式相关的监管政策、机构创新案例纷纷落地。在美国，金融科技企业和账户整合者（如Mint.com）逐渐兴起，客户期待着更无缝衔接式的体验，不断推动着开放银行的进程。金融监管体系相对发达的欧盟则出台了PSD2（全称为Payment Service Directive 2，支付服务指令2），要求银行开放客户数据。在互联网金融创新领先的中国，金融科技公司与商业银行加速融合，传统的金融展业模式不断渗透，金融监管者、商业银行、新兴金融机构，在创造新的产品和商业模式的同时，也推动着行业监管和标准的演进。
本报告系开放银行系列报告之开篇，将从定义、关键技术、建设模式、机遇与挑战几个方面详细论述开放银行的概念与形态。
一、如何定义开放银行
（一）参与者与特征
开放银行是一种利用开放API技术实现银行与第三方之间数据共享，从而提升客户体验的平台合作模式。从这一定义中可以提炼出两个关键信息，即：开放银行的三类参与者以及开放银行的三个特征。
三类参与者构成了一个完整的开放银行生态。一是把数据开放出去的银行，二是期望共享数据的第三方机构、开发者等，三是被银行和第三方服务的客户。开放银行模式下，这三类参与者的角色相辅相成，缺一不可。尤其是银行和第三方机构之间，可以说是既有竞争，又有合作。
一个严格意义上的开放银行需要符合三项标准。
第一，以开放API为技术。API可以分为三类，即内部API、伙伴API以及开放API，每一种类型具有不同的特点，其适用的范围也不尽相同（三种API类型将于第三部分进行详细阐述）。开放API 的特性最符合开放银行的要求，因此最适合充当传统银行“走出去”与第三方机构融合的桥梁。
第二，以数据共享为本质。近年来，共享单车、共享雨伞等概念不断出现在公共视野。共享经济渗透了多个行业，金融行业也不例外。开放银行可以理解为银行领域的共享现象，而其共享的内容就是客户数据，这些数据是由支付、信贷、储蓄等一系列行为产生的。
第三，以平台合作为模式。有别于传统银行业务，开放银行采用的是Bank-as-a-Platform（BaaP，银行即平台）的形式。银行不再如以往那样直接将产品和服务传达给客户，而是将各种不同的商业生态嫁接至平台之上，再通过这些商业生态间接为客户提供各类金融服务，从而形成共享、开放的平台模型[1]。
（二）开放银行示例图
整体而言，开放银行是一个层层叠加、共荣共生的生态圈。选择自建模式的大型银行一般只需要打造上下两层即可，但中小银行则需借助中间层的力量作为媒介。
下层是持有牌照资质的银行。在开放银行的蓝图设计中，未来银行的功能，如账户管理、支付、融资等，都可以被拆分成一个个如同乐高积木般的组件，从而为上层商业生态系统提供模块化、系统化的基础金融服务。
上层是千业万态的商业生态系统。位于这层的金融科技公司、电商平台、行业服务平台、供应链核心企业、开发者乃至个人创业者均可以通过开放API调用底层的银行服务组件，获取相应的数据，开放创新应用，在其构建的各类商业场景中为客户提供无缝衔接式的金融服务。
最值得注意的是被称为第三方开放银行平台的中间层（见图1）。对于选择自建开放银行的大型银行来说，由于资金实力雄厚、技术资源充沛，完全有能力自主开发API以及对接上层商业生态系统，因此中间这一层显得可有可无。然而，对于资源能力有限但又急需对接上层商业生态的中小型银行而言，中间这一层第三方开放银行平台却是至关紧要的。该平台将底层散乱的中小银行金融服务组件标准化，组装成可被上层生态系统调用的服务，从而解决了中小银行无法自建的难题。
二、API，开放银行的关键技术
（一）API的概念
正如前文所提，开放银行的本质是对银行数据的共享，而API则是实现这一目标最为前沿的技术手段。API的全称名为Application Programming Interface，即应用程序编程接口。其本质是一些预先定义的函数，目的是给予开发人员基于某软件或硬件得以访问一组例程的能力并且无需访问源码，或理解内部工作机制的细节。通俗来说，API在供应方和需求方之间，扮演着“技术胶水”的作用。作为供应方的企业/个人可以将自己特定的技术服务以API的形式开放出来供需求方企业/个人按照参数调用接口，从而使得不同技术在基于业务逻辑和数据的基础上相互粘合，最终达到数据流通和共享的目的。目前国际范围内较为知名的API软件管理公司有Apigee、Yodlee、MuleSoft、Xignite、TibcoMashery等。
一般而言，API可以分为三类（见图2），即内部API、伙伴API以及开放API[2]。内部API仅供企业内部开发者使用，通过轻量级接口公开数据、业务流程和应用程序功能，尤其适合不愿意公开数据和应用程序的企业。伙伴API主要用于机构之间（B2B），其访问通常是根据业务协议授权的，对于规模较小的合作伙伴而言具备较大吸引力。开放API在组织之外公开应用程序功能，主要供外部合作伙伴、第三方开发者使用，较前两类API开放程度更深、合作层面更广，最适宜用于开放银行领域。这三类API各有千秋，具有不同的特性和应用场景，供应方可以根据数据的隐私度选择合适的类型进行分层管理。
（二）在银行业的应用
在API技术的驱动下，各行各业都在发生翻天覆地的变化，银行业也不例外。API出现之前，银行业数据共享采用的方式通常是屏幕抓取（Screen Scraping）。这就要求第三方应用程序必须从银行处获取用户名、密码等一系列涉及客户隐私的信息，才可以凭借这些信息自动登录至银行账户抓取数据[3]。这种方式最大的隐患在于一旦受到黑客袭击，将会发生大规模的客户信息泄露。
与屏幕抓取相比，API的安全性优势明显。银行将自己的特定技术服务用API的形式开放出来供第三方使用之时，第三方只能使用服务内容却不会得到生产内容。在这种各取所需、知其然而不知其所以然的方式下，银行既能让自己的技术输出服务于第三方，又不用担心核心技术与机制细节遭泄露。第三方则仅需从银行处获取所需的API，而不用自行开发研究该特定技术服务。此外，API在极大增强了数据安全性的同时，又不必对银行原有的核心系统进行大刀阔斧的变革，有效节约了数据共享的时间与成本。
三、四种不同的开放银行建设模式
囿于商业银行间资本实力、IT能力的差异，采用“一刀切”的手段去实现开放银行的战略目标显然是不合理的。IT咨询服务商Gartner认为，目前全球范围内的开放银行建设模式大致可以分为四类：自建、投资、合作、参与（见图3）[4]。这四种模式适合的银行群体迥然不同，其中的利弊也大相径庭。“条条大路通罗马”，商业银行应结合自身实际，尤其是明确风险承受能力和预期效果，再选取其中一种或者几种与之相匹配的建设模式才是理性之举。
（一）自建
自建开放银行的关键在于借助应用程序包构建一个“银行即平台”以及附着于其上的商业生态系统。Gartner认为，这类平台通常包含具备API管理能力的网关，由信息系统、客户体验、数据分析、物联网、商业生态系统五大元素组成。
具体而言，信息系统是指支撑后台运营的银行核心系统和外围系统；客户体验指的是门户网站这类面向客户的元素；数据分析意味着具备信息管理与分析的能力，可支持商业生态系统的交互；物联网平台可连接、控制有形资产，共享物联数据；商业生态系统通过API管理软件等工具将银行的数据、算法、流程、交易等功能开放给外部合作伙伴，比如第三方开发者、金融科技公司及商业生态圈内的其他合作伙伴。
对于风险承受能力强、对技术掌控度要求高、相关人才资源充足且意欲成为业界先锋的大型银行而言，自建开放银行无疑是最佳模式。纵观欧美银行业的发展历程，可以发现诸如BBVA、Barclays、Capital One、HSBC等自身IT实力强大、更愿意在开放银行的浪潮中发挥主观能动性的银行都不约而同地选取了这一模式作为建设开放银行的主要手段。
（二）投资
第二种模式是投资并购金融科技公司。在金融行业亟待数字化转型的今天，兼并/收购、设立风险投资基金、成立合资企业等投资方式是快速实现体外数字拓展的途径。Gartner在2017年对全球77位银行/保险业高管进行的一次调研结果显示，成立风险投资基金被认为是最成功的数字化业务战略（见图4）。
投资模式的成败与否关键在于搜寻与自身业务相匹配的标的，被投资的目标公司本身应已搭建过开放银行平台，亦或是具备在不久的将来可搭建的能力。如此一来，作为投资方的银行就不需要再集全行之力去自建一个成败未知的开放银行了。
对于希望将开放银行模式快速投向市场、资金充足且不愿承担过多开发风险的银行而言，投资模式的益处是显而易见的。被投资公司的“先行者”经验可以帮助投资方降低失败的风险，也可以为投资方注入在开放银行领域具备丰富开发经验的新型人才。例如，Silicon Valley Bank于2015年收购了Standard Treasury（一家专注于做银行API的初创公司），双方一同构建了一个基于API的银行平台。
（三）合作
自建、投资这两类模式要求银行构建一个面面俱到的“银行即平台”和商业生态系统，在这点上，合作模式有所不同。在该模式下，银行不一定非要构建一个完整的平台，尤其不需要去创造一个商业生态系统。相反地，其业务功能针对性较强，有些是专门针对支付功能的，有些则是针对贷款功能的。
合作模式成功的焦点在于招募合适的合作伙伴。换言之，合作伙伴的场景需求应与银行所能提供的业务功能相符合，比如一些知名的高流量电商网站中，用户的支付需求巨大、支付行为高频，在这类网站中嵌入专门针对支付功能的API较为合适。
这一模式更适合风险容忍度小、侧重于短期内增加营收的银行。相对于自建、投资模式的高度开放，他们更愿意在较小的风险范围内进行一定程度的“开放”。同时，这类银行将API视为一个可以在短时间内增加营收的渠道，而非一个包罗万象的平台。PayPal是第一家采用合作模式的金融机构，在合作商家的网页界面下嵌入带有PayPal标志的点击按钮，通过这个按钮用户就可以直接进入支付界面。据统计，自2009年PayPal采用 API合作模式以来，其净营收增长率超过了30%。
（四）参与
与自建这类占据主导地位的模式相反，参与的模式更多掺杂着被动跟随的意味。在这种模式下，银行并不需要建立一个属于自己的“银行即平台”和商业生态系统。取而代之的，是参与到其他更有实力的大型银行或者科技先锋构建的商业生态系统中去。
在采取参与的策略之前，银行应考虑内外两方面的因素。从内部来看，需要梳理目前已有的金融产品和服务，厘清哪些产品和服务适合通过API接口对接外部商业生态系统。从外部而言，应筛选合适的商业生态系统，寻求与自身产品及服务匹配的场景，从而达到获客引流的目的。
这一模式适合风险承受能力低、相关人才和技术贫乏、资金较为紧张的银行。一方面，这类银行本身并不具备IT基础去构建一个开放银行。另一方面，上层商业生态系统内的诸多合作伙伴也缺乏与此类银行直接合作的意愿。因此，通过被动参与的方式不失为一种间接合作的策略。对于一些偏远地区的城商行、村镇银行而言，选择这一模式较为合适。
四、开放银行的危与机
监管要求、客户需求、跨界合作等因素无一不在对开放银行推波助澜，但这条路上也布满荆棘。开放银行所面临的最大挑战并非来源于技术本身，更多的障碍是与业务相关的[5]。
（一）机遇
一是监管机构的要求。近些年来，各国监管机构陆续出台了若干开放银行API相关政策。2015年11月，欧洲议会和欧盟理事会在PSD的基础上进行修正，发布了PSD2，要求欧洲经济区内各国银行必须在2018年1月13日之前将客户数据以API的形式开放给第三方机构。英国竞争和市场管理局（CMA）于2016年提出了一套银行改革措施，要求大不列颠和北爱尔兰市场份额最大的9家银行建立、采用统一的API标准。其他国家如美国、澳大利亚、新加坡等，也都在积极主动地制定类似规定，以促进银行与第三方之间的有效协作。在互联网金融业态发展更为丰富超前的中国，监管者们也开始思考银行业开放标准、互联网公司巨量且复杂的金融业务、金融控股集团的监管问题等。
二是客户需求的改变。在过去，客户习惯于去网点办理存款、支付、贷款等独立的银行业务。而在已经到来的数字金融时代，客户期待随时随地以最佳方式（更为便利、高效且低成本）消费银行的产品和服务。换言之，客户需求从以往单独割裂的阶段演变成了高度联通的状态，这也迫使银行进行变革开放[6]。比如，置业的过程中，贷款服务将会被整合进去，客户不需要单独跑到银行网点去办理房贷业务。而现实是，目前的银行覆盖面仍无法完全满足客户这一需求。要实现这个目标，必须借助开放银行API与商业生态圈内的大量合作伙伴建立联系。
三是跨界合作的驱动。曾经，当美国的GAFA（Google、Apple、Facebook、Amazon）与中国的BATJ（百度、阿里巴巴、腾讯、京东）进军金融业之时，银行对合作与开放是抵触的。但随着时间的推移，银行意识到，在这个充满挑战、瞬息万变的市场中，闭门造车是不可取的，昔日的竞争对手亦可成为合作伙伴。于是银行纷纷摈弃视科技巨头为洪水猛兽的旧观念，不约而同寻求跨界合作。以2017年的中国为例：中国农业银行与百度达成战略合作；中国银行与腾讯成立金融科技联合实验室；中国建设银行宣布与蚂蚁金服合作等等。银行与科技公司之间的合作趋势在未来仍会持续，这与开放银行共享的理念相一致，对于构建数字平台、对接商业生态而言亦是绝佳的契机。
（二）挑战
一是来自银行文化与体制的障碍。一方面，与科技公司、互联网公司的理念不同，银行对开放、共享的文化整体持保守态度。Efma[7]代表Gartner于2017 年针对全球不同区域内的银行机构进行了一次创新调查，结果显示有29%的受访者反馈，文化是实现开放银行最大的障碍，在各项因素中占比最高。主要原因在于，落实开放银行意味着银行需要与金融科技公司实现数据流通，这不免会让银行产生失去数据掌控权和市场主导权、利润进一步被瓜分的担忧。另一方面，在银行审慎经营、追求稳健的体制内进行开放银行的创新并非易事。近年来，一些有实力的银行意识到了这个问题，正在尝试通过设立内部实验室、建立孵化器、并购或者成立金融科技子公司等方式寻求变革。
二是数据隐私与安全方面的担忧。诚然，与其他数据共享技术相比，API技术安全性较强，但并不能完全杜绝安全方面的隐患，例如，第三方机构从银行处获取用户相关数据后有对外泄露的可能。因此，需要建立一整套事前授权、事中跟踪、事后补救的机制，使客户掌握决定自身金融数据开放程度的绝对优先权。具体而言，在进行数据共享之前，银行与第三方机构之间可搭建一个客户授权的平台，让客户自行决定是否同意将数据共享给第三方机构使用；在数据共享过程中，流程应尽可能透明化、阳光化，确保客户可随时查看、跟进共享的过程，避免信息不对称；在进行完数据共享之后，需要备有紧急补救措施和追责制度，如遇数据泄露的状况，可适时启用。
三是变现能力方面的困惑。银行可能会将更多的焦点放在提供多样、便利的客户体验之上，对开放银行的变现模式缺乏明确的思路。构建一个完整的开放银行是一项巨大的工程，需要消耗大量资金、时间与人力。尤其是那些选择自建、投资模式的银行，其投入更是远高于其他途径，进一步加重了银行对于投入回报比的忧虑。Capgemini[8]与Efma联合发布的《2017年全球零售银行报告》中列举了几种开放银行API变现模式，包括交易费用、收益共享、许可费用等（见图5）。其中，有54.3%的第三方金融科技公司选择以交易费用的形式（即针对每一笔通过API的交易进行收费）向银行支付，在所有选项中占比最高。而银行则更倾向于选择收益共享的方式（即第三方使用银行API来提升的收益由第三方与银行共享），占比47.8%。由此可见，在建设开放银行之初有一个清晰、实际且能平衡各方利益的变现模式显得尤为重要。
参考文献及注释：
1.《金融数据共享系列一：Open Banking引发全球金融变革》、《金融数据共享系列二：不开放的银行，未来岌岌可危》、《金融数据共享系列三：银行被逼入墙角，如何扳回一城》，蔡凯龙，2017年
2.《API应用将颠覆银行业的商业模式》，香港贸发局，2016年
3.《银行3.0:移动互联时代的银行转型之道》，Brett King，2014年
4.《Data Sharing and Open Banking》，McKinsey，2017年
5.《How to Build an Open Bank》，Gartner分析师Kristin R. Moyer，2017年
6.《Open Banking: Adoption Increases, but Barriers Challenge Path to Collaborative Openness》，Gartner分析师Stessa B Cohen& Kristin R. Moyer，2017年
7.《World Retail Banking Report，2017》，Capgemini&Efma，2017年
[1] 《金融数据共享系列一：Open Banking引发全球金融变革》，蔡凯龙，2017年
[2] 《Data Sharing and Open Banking》，McKinsey，2017年
[3] 《金融数据共享系列三：银行被逼入墙角，如何扳回一城》，蔡凯龙，2017年
[4] 《How to Build an Open Bank》，Gartner分析师Kristin R. Moyer，2017年
[5]《Open Banking: Adoption Increases, but Barriers Challenge Path to Collaborative Openness》，Gartner分析师Stessa B Cohen& Kristin R. Moyer，2017年
[6] 《银行3.0:移动互联时代的银行转型之道》，Brett King，2014年
[7] 全称为European Financial Management Association，欧洲金融管理协会
[8] 凯捷管理顾问公司，总部设于法国巴黎，是一间全球性的资讯科技服务管理领导厂商
如何避免踩深坑丨WSSAE算法在智能选股中的应用研究
无监督的稀疏自编码器可以自动化地提取出稳定的高维特征，同时小波分析（Wavelet）对金融时间序列数据去噪效果显著，通过在智能选股场景中将二者结合起来，发现新的深度学习网络结构（WaveleT+SSAE）可以更有效地控制组合的回撤幅度，在2017年前后不同的市场风格下，该算法都展现出来良好的风险控制能力。
一、无监督学习算法的广阔应用前景
近年来，深度学习技术在图像识别，语音识别，自然语言处理，股价预测，天气预测，内容推荐等各个领域都得到了广泛应用，然而随着有监督学习的低枝果实被采摘的所剩无几，无监督学习成为了未来研究热点。特别是在涉及特征提取的特征工程中，无监督学习算法因为其自动化的特征提取以及在提取稳定和高维特征上的优异表现而吸引越来越多的研究者投身其中，甚至与GAN(生成式对抗神经网络)并驾齐驱，延伸出很多有趣的应用。有下图可见一斑：左图是 FIFA18中的C罗的真实图像，右边图像是由一个深度自编码神经网络生成的C罗图像，深度自编码网络在提取了真实图像的特征之后依据这些特征自动生成了高度相似的右边C罗的图像，可以达到以假乱真的程度。
图1. C罗脸部图像对比
与此同时，AI相关算法在金融领域也得到广泛深入的应用，17年10月18日更是诞生了全球第一只应用人工智能、机器学习进行投资的ETF：AI Powered Equity ETF，其依据EquBot独门算法所打造出来的主动式ETF，利用IBM Watson的认知和大数据处理能力去分析美国境内的投资机会。发行至今，在这轮的美股大牛市中除了稍逊色于最强势的纳斯达克指数外（15%VS17%），AIEQ大幅战胜道琼斯工业指数和标普500，显示了强大的学习能力，从而引发市场对AI相关算法在投资分析、预测方面产生了更多期待。
图2. AIEQ和基准收益对比
二、堆栈稀疏自编码器的算法原理简介
在智能选股相关算法产品研发过程中，我们尝试引进在无监督学习中更为基础且表现良好的编码器算法-堆栈式稀疏自编码器（SSAE：Stacked Sparse AutoEncoders）。假设自编码器输入层和输出层神经元的数目相同，通过隐含层网络使输入和输出层的误差最小，从而确保可提取出最能代表原始数据的特征。其具体的网络结构如下：
图3. 自编码器（AE）的网络结构
如果去掉输出层以后，隐含层的值就是我们需要求的特征值，假如有n个输入，隐含层有m个神经元，输出层也为n，那么此网络有m个特征值，然后再接上softmax分类器就形成了Sparse Autoencoder-Softmax分类器模型。而堆栈式编码器通过逐层堆叠，前一层的特征值作为下一层的输入，层层提取，层层去噪，可以提取更稳定的高维特征。
自编器网络结构的算法目标也在于最小化输入、输出的损失函数，而自编码器网络的独特之处在于其输入和输出特征经提取训练后数量上仍然相等，且能提取出最能代表输入数据的特征。假设输入向量为X，那么通过稀疏自编码（Sparse Autoencoder） 网络输出向量Y在数量上与X的数量相等，假如给定m个样本，加上正则项，损失函数可以写为：
自编码器通过前向传播得出损失函数，再通过后向传播使特征值的重构值和输入数据之间的损失函数最小化从而不断优化网络权重，提取出最稳定的数据特征。
三、小波分析（Wavelet）的算法原理
由于金融市场中各种偶然因素的影响，使得金融数据，特别是金融时间序列数据中存在许多噪声。这些噪声严重影响了数据进一步的分析和处理，有必要预先去噪。但是金融时间序列本身具有非平稳、非线性和信噪比低的特点，采用传统的去噪处理方法往往存在诸多缺陷。
小波理论则是根据时频局部化的要求而发展起来的，具有自适应性和数学显微镜性质，特别适合对非平稳、非线性信号的处理。如下图，图4为原始信号，为时域和频域的混合，而通过3层小波变换成为图5，原始信号可以同时清晰的呈现为时域和频域两个维度上特征,X轴为频率，Y轴表示时域，Z轴表示振幅。在图5中，任意坐标轴空间内的点都对应1对时域和频域内的特征值，表示信号在某个时点的频率特征，高频对应的是信号中的噪声，也可理解为短期扰动，图中显示为频域最上面的红色部分，低频则对应信号中包含的主要信息，也可理解为趋势信息，图中显示为频域最下面的黄色部分，蓝色部分则介于二者之间，因此通过小波分析可以将信号层层分解为趋势信息和噪声扰动，清晰呈现信号本质。
图 4. 金融市场原始信号
图5. 原始信号的时域和频域分解
四、基于小波分析的堆栈稀疏自编码器网络（Wavelet+SSAE）的总体拓扑结构
考虑到小波分析是时域（空间)和频域内的局部变换，通过伸缩和平移等运算对函数或信号进行多尺度的细化分析，解决了Fourier变换不能解决的许多困难问题，能有效地从输入信号中提取信息，这类变换在金融时间序列数据的处理中能发挥独特优势。对资本市场这类充斥着各种噪音，数据的非平稳、非线性特征十分明显的情形下，我们有必要寻求新的方法、路径来解决这类金融场景的分析、预测问题。为此，我们对自编码器（SSAE）的网络结构进行了改造和重塑，形成了新的深度学习网络结构，改造后的网络结构拓扑图如下：
图 6.（Wavelet+SSAE+Softmax）
深度网络拓扑结构
(S(J)为低频信号，D(i)为各尺度的高频信号，
I(i)为编码器提取的高维特征)
具体来说，该新型网络拓扑结构包括输入层，隐含层，输出层，隐含层每层都为稀疏自编码器（SAE），多层稀疏自编码器堆栈（SSAE）组成隐含层。输入层数据首先经过小波去噪，去除数据序列中的高频噪声信号，然后分别经过隐含层的多层自编码器最终提取出稳定，非线性的高维特征，输入Softmax分类器形成最终样本的分类概率。
五、基于Wavelet+SSAE+Softmax应用的场景构建及实验结果
2017年以来市场风格发生了明显变化，沪深300指数涨幅显著高于中证500，大小盘市场走势与以往发生了显著的差异。从2010年开始，中证500累计收益率超过40%，同期沪深300累计收益率则是-6%，而17年收益率发生逆转，中证500下跌了2%，沪深300则涨幅超过20%。对此很多传统市场因子表现失效，这也导致很多量化策略表现不是很理想。据万得统计，2017年量化基金平均收益率1.79%，落后普通股票型基金13倍，特别是近期以来市场波动加剧，诸多策略更是出现了较大回撤。为此，本研究将基于Wavelet+SSAE算法应用于A股全市场的选股，剔除上市不满一年的股票，每周筛选五只股票构建组合并扣除交易手续费，分别以2012年-2017年、以及2017年-2018年7月为不同研究时段，研究不同市场风格下单纯堆栈式自编码器（SSAE）算法及基于小波分析的新型算法对回撤幅度的有效控制程度及相关表现。将以上两种算法在不同市场风格下股票配置组合的回撤进行比较，相关实验结果如下：
（一）2017年市场风格转换前，相关算法配置组合回撤对比
图7.SSAE算法组合持有期内回撤比例
图8. COIF小波+SSAE算法组合持有期内回撤比例
自2015年6月A股从5166高点开始一路下跌到2016年年初2655点，市场的恐慌情绪更是导致2016年年初开盘后2天连续触发4次熔断，上证综指4天跌了将近14%，证监会不得不紧急叫停熔断机制。在此情形下，对比图7、图8进行分析, 实验发现，对比单纯的SSAE的算法与加入Coif小波+SSAE算法两种算法下回撤的变化情况，可以看出通过Coif小波去噪后组合在持有期内（除去2015年6、7月份及2016年初这两段特殊市场情况外）的回撤幅度大都基本控制在10%左右，最大回撤由48%降低为23%，近乎降低了一半（同期上证综指、沪深300的最大回撤为50%），COIF小波+SSAE算法显然比单纯的SSAE算法更具风险控制能力。
（二）2017年市场风格转换后，相关算法配置组合回撤对比
这里的实验研究采用2016.01.01-2017.01.01整年的数据来训练，然后滚动预测2017.01.02-2018.07.03这段时间内的表现，回撤表现如下：
图9.SSAE算法组合持有期内回撤比例
图10. COIF小波+ SSAE算法组合持有期内回撤比例
从图10可知，在风格转换后，COIF小波+SSAE算法推荐组合的最大回撤幅度远小于上证综指和沪深300指数的最大回撤幅度。通过整个持有期内回撤对比发现，通过COIF小波去噪+SSAE算法构造的组合从2017年起截至2018年7月初这段时间内回撤幅度基本控制在15%左右，最大回撤仅17.13%，远低于同期沪深300的33.94%的最大回撤及上证23.62%的最大回撤，COIF小波+SSAE算法呈现出了较强风险控制能力。
应用研究部门：算法金融实验室
兴业数金全面支持合作行与中国银联条码支付业务系统对接
2017年12月底，人民银行发布《关于印发<条码支付业务规范(试行)>的通知》提出，自2018年4月1日起，银行业金融机构、支付机构开展条码支付业务涉及跨行交易时，应当通过人民银行跨行清算系统或者具备合法资质的清算机构处理。随着政策规定 “断直联”的来临，第三方支付机构在清算业务上无需通过银联直接与各家银行进行合作的局面被打破，银行、第三方支付机构与银联的合作已经全面展开。
银发（2017）296号 文件
作为国内的商业银行信息系统建设与运维服务商之一，兴业数金积极开展与合作行间的移动支付业务合作。经过数周的改造，7月11日，兴业数金为南阳村镇银行搭建的移动支付收单系统正式完成银联AT接入验证并上线投入使用，成功实现与中国银联的系统对接。通过此次系统对接，兴业数金成功帮助南阳村镇银行接入中国银联清算网络，使其成为全国第一家接入微信支付条码支付的村镇银行。
目前，兴业数金与中国银联已经完成系统对接、联调测试和生产验证。在此基础上，兴业数金合作行可通过中国银联转接条码支付清算系统开展条码支付业务。
未来，兴业数金将持续为合作银行及收单机构提供更好的技术对接和系统服务。同时，兴业数金也将依托中国银联丰富的金融产品和服务能力，持续为收单机构的商户提供包括以银联二维码以及各种条码支付为基础的行业解决方案和金融产品服务。此外，兴业数金与中国银联将始终保持密切沟通，做好银联与其它机构转接清算服务的系统对接准备，相关系统对接进展也会尽快发布，欢迎各家银行和收单机构与兴业数金开展合作。
分享 | 前后端分离架构下的前端模拟经验（吐血整理）
在现在流行的“前后端分离”架构中，前后端的联调，是一道必不可少的工序，通常在不借助任何工具的情况下，进行前后端联调大概率会出现以下几种尴尬的局面：
1.前后端开发速度不一致，前端页面写好之后，必需要等待服务端的接口出来，才能有足够的数据支撑UI的显示。
2.服务端接口不能满足界面的需求时，要前端调用发现问题之后，反馈给服务端，然后服务端需要根据要求修改接口定义和业务逻辑，重新部署，前端再重新调用。
3.由于后端接口常需要根据前端需求变动，因此后端接口的变更难以有效的保证质量，前端调用接口的操作成为了测试接口是否有bug的手段。
以上就是前后端联调过程中最主要的问题，特别是在项目稍微有点规模之后，“等接口，改接口、调接口”似乎成了前端开发工作中的“新常态”，沟通成本，时间成本，服务端部署重启的成本加在一起，就是项目工期经常延后的重要原因。
解决这个问题的办法通常有两种思路，一种从后端服务中实现模拟接口，一种在前端工程上实现模拟数据，因为后端服务实现模拟接口成本比较大，所以在实际应用中通常采用在前端做模拟数据。
1. mock.js
前端模拟的做法一般是在业务代码里面先写上假数据供页面使用，等后端接口写好之后，再将假数据注释掉，改成接口调用，通常表现为以下的形式：
不过这样的做法会在业务代码里面产生非常多的冗余代码，且在真实接口和假数据之间的切换繁琐，非常不利于维护。为了解决这一问题，阿里巴巴开源了一款功能非常全面的模拟数据生成的 JS 库：mock.js，通过它我们可以在前端工程里使用简单的语法模拟各类常见的数据。比如现在页面上需要一个网站和URL的列表，但是后端接口还没有开发好，我们可以利用mock.js来写这样一个结构：
代码中，links|100是mock.js的一个语法，表示的是给links数组里面创建100个对象，每个对象都包含name和url两个属性，这两个属性会通过@name和@url这两个mock.js的规则，随机生成名字和链接（关于mock.js的语法规则可以查看其官网http://mockjs.com）。实践中，一般单独用mock.js写一个data.json的文件，然后在业务代码里面切换真实接口请求和本地data.json文件请求，如下面的代码所示：
也可以直接写真实的接口，然后请求发出去的时候，利用fiddler或者charles等代理工具，将这个接口重定向到本地的data.json文件，这样就不用改动业务代码，更加方便易操作。
mock.js虽然已经简化了前端工作量，但是它只解决了一部分问题。比如说：
1.所有接口的mock规则都需要开发者手动定义；
2.难以模拟出各种不同的网络请求状态；
3.难以模拟出数据错误，或者空数据的状态；
4.不能模拟出根据不同请求参数，返回不同结果的情况。
上面的最后三种状态都是在前端界面的开发过程中都需要考虑到的情况，但是依靠前端的模拟工具比较难以解决，所以这些需求催生了一些后端接口的mock工具。这些工具能够确保前端在开发过程中的模拟数据可控，且在使用之后不会对前端或者服务端的流程有任何影响，使得前后端有一个明确的分界点。常见的前端mock工具有RAP，YApi，NEI，EasyMock，Mock-API等，他们都是基于Mock.js来进行数据模拟的，并在此基础上做了不同的扩展。我们这里简单介绍常见的两款——RAP和YApi：
2. RAP
RAP是阿里团队出的一款接口管理工具，帮助开发人员有效的管理接口文档。包括阿里集团在内的三百五十多个企业都在使用RAP管理重要的接口文档。
下面是一张RAP的一张开发流程图，也基本适用于所有使用mock工具的项目。
从这张图上我们可以看到，项目开发阶段一开始就要先制定接口，并利用mock工具将接口模拟出来，然后前后端分别进行开发，这时候前端是跟mock工具生成的mock数据进行交互的，而后端则开发与测试自己的接口是否正确。在前后端都开发完毕之后，后端再把真实接口部署出来，然后前端把把mock环境切到真实环境，进行联调和测试。由此可以看到，利用mock工具，我们至少能在开发阶段做到真正的前后端分离的状态了 。
RAP的可视化界面（GUI）使得数据模拟操作变得非常简单，但是如果要在项目中用到这些数据的话，还是有一些限制：使用RAP需要在项目中引入一行RAP插件代码，利用这个插件来拦截发出去的请求，然后返回RAP模拟出来的数据，当要切换到真实接口测试的时候只需要改动插件代码上的一个参数就可以了，但是遗憾的是现阶段RAP插件的请求拦截功能只支持KISSY和jQuery，具体使用规则，可以查看其官方文档RAP用户手册。
（网上有大牛提供了AngualrJS版的RAP插件，详见：https://github.com/xiaomaojames/ng-rap）
YApi是去哪儿网移动架构组开发的一个开源项目，相比较RAP，它有以下优点：
1.扁平化的权限设计，可以满足大型企业级的项目管理；
2.支持快速导入其他常见格式（例如postman，swagger，har）的接口数据，方便快速添加接口；
3.具有接口文档管理的功能，YApi将接口文档和测试通过单一数据源连接到一起，避免出现接口改动后文档更新不及时的情况。
YApi在一定程度上来说，比RAP的功能更加完善，也更加强大，它提供接口文档管理，接口数据模拟（Mock），接口调试，自动化测试等一系列功能。
在数金，我们通常使用swagger来管理API接口，虽然YApi支持导入swagger格式的数据，但只能以json文件的形式。当后端同学改动了项目的现有接口，或者增加了一些接口，就需要再重新导出一份swagger文档的json文件，然后再导入解析一次，这样的操作既冗杂又繁琐。因此，我们需要一款支持“一键同步swagger”的操作的工具，EasyMock这款工具便进入了我们的视野。
EasyMock
1. EasyMock介绍
EasyMock是大搜车前端团队开发的一个可视化，能快速生成模拟数据的在线mock服务。它没有RAP那么有限制性，也没有YApi那么完善的功能，但是对于我们来说，它刚刚好，在对比了现有的几种前端开源mock工具后，我们选用了EasyMock作为我们团队的前端模拟工具，并将它部署在数金内网，下面我们简单介绍一下EasyMock的一些特性：
与其他的mock工具一样，EasyMock的语法规则基于Mock.js，能够使用简单的语法创建出模拟数据，除了支持mock.js的基本语法之外，EasyMock还做了一些扩展，例如：
1.支持简单的Function，可以实现逻辑判断，并对结果进行动态的返回。
2.EasyMock在每个mock接口里面注入了一些express的变量，这些变量就是原来 req 上的几乎所有的属性，如_req.header、_req.query等，有了这些变量，就可以根据用户调用mock接口时传进来的信息做非常动态的响应式返回。
3.EasyMock支持restful风格的接口，例如“/merchandise/:id”，我们可以通过_req.params.id 来获取到参数的值。
除了在mock.js语法的基础上做了扩展之外，EasyMock的另一大优势是可以根据swagger中定义的实体的属性类型生成对应的mock数据。由于我们公司大多使用swagger来管理接口，所以在定义好接口之后，可以先利用接口文档部署一套只有数据结构，没有真正实现功能的接口，然后通过swagger，就可以在EasyMock中生成一个包含此文档地址数据的模拟接口，此操作支持swagger1.0和swagger2.0的语法。当接口有更新的时候，EasyMock支持“一键同步”，且同步操作会先检测这个接口是否有变动，如果有则对这个接口做覆盖式的更新。这一特性对于不断有需求进来，不断迭代的项目非常友好，这也是我们选择这个工具的非常重要的一个原因。
通过EasyMock来进行数据模拟对流程不会产生任何影响，不过，如果计划通过swagger接口文档来生成模拟接口，需要将swagger注解写的更加严谨和完善，这样在mock接口中才能看到更加清晰的看到这个接口的功能，用法等等信息。
2. EasyMock的使用方法
下面我们以使用swagger的项目为例，简单的讲一下EasyMock的使用方法。如果你没有进行私有云部署的话，可以进EasyMock官网https://www.easy-mock.com/login 注册一个账号。新注册的账号会自动生成一个演示项目, 里面创建了多种的Mock类型，对于新手来说，可以先看一下这个演示项目，在此基础上进行编辑。如果你想创建自己的项目，可以跟着以下的步骤来做：
（1）创建项目
点击主页右下角的蓝色加号按钮，进入项目创建界面
（2）填写基本信息
因为我们要基于swagger来创建这个项目，所以注意要在swagger Docs Api里面填入你项目的swagger Docs Api的地址（如果你的项目还没有使用swagger，跳过即可）。
注意：项目swagger Docs Api的地址并不是项目swagger-ui的访问地址，一个通用的获取swagger Docs Api地址的方法就是，将swagger-ui的URL中项目名只有的部分替换成/v2/api-docs,比如地址为https://xxxx.xxxx.com/projectname/swagger-ui.html替换后的地址为https://xxxx.xxxx.com/projectname/v2/api-docs，这样就能得到swagger Docs Api的地址了。
基本信息填写完毕后，点击创建按钮，即可创建成功。接下来回到项目页面就可以看到我们创建的项目:
（3）查看接口信息
点击上图的项目地址，进去之后，你会看到EasyMock将你swagger中的接口都同步过来了。
我们可以看到，上面甚至显示了POST/GET方法，以及一些描述性的文字，这些内容的显示要求写接口的同学定义的更加严谨，swagger注解要写的更加全面。
在接口信息的最右边有四个按钮，分别是预览，编辑，复制地址以及其他操作，点击预览按钮我们可以看到这个接口生成的模拟数据，如果接口是get方法的话，你将会直接看到返回值，但如果是post方法的话，需要你先在右边的输入框里面先输入你的请求参数，然后才能看到返回结果。
因为我们现在并没有写请求参数与返回数据之间的关系，所以不出意外的话，随便输入什么值，都可以得到一个模拟数据。
（4）根据需要完善接口
我们必须要知道请求一个从Swagger上同步到EasyMock的模拟接口，默认是不能直接根据请求入参进行响应式的返回的（否则就不能称之为模拟了），如果要定制化，则需要我们根据EasyMock的扩展语法手动添加一些function来返回响应式数据，所以虽然模拟数据不能直接做到数据联动，但是借助于响应式数据，也能玩出很多花样。
我们可以在数据编辑器中，为某个属性指定一个function。在function中EasyMock提供了_req对象，这个对象我们已经在上面提到过，它是express的一个对象，里面有_req.header、_req.body等属性，这使得我们可以通过这些属性来做响应式数据，一个简单的示例如下：
除了响应式的返回，EasyMock还支持自定义的响应状态，通过在返回的结构中添加_res对象，可以给返回添加定制信息，_res对象里面包含_res.status，_res.cookies，_res.headers以及_res.data等，其中_res.data是在_res.status不为200的时候返回的，用来替代正常返回体里面的data。
至此，我们运用以上简单的四个步骤就可以基于接口的swagger文档创建一个EasyMock的项目。如果接口有更新，点击项目右上角的按钮进行同步就可以了。
项目创建好了之后，就到了使用的环节了，想要使用mock的接口，而不改变业务代码的逻辑，则只需要在发请求的时候用代理工具，例如charles，fiddler等，将对应的请求Map Remote到新建的mock接口就可以了。
EasyMock的适应性改造
虽然说EasyMock功能比较强大，能够匹配状态为200时的响应数据，并且能够查看请求参数和响应参数。但是有时候却不能满足特定的需求。
比如，在数金，服务端的同学会自定义许多的异常状态，响应状态依旧是200，但是会将一些请求的异常码（请求成功，但是因为某些原因不能得到正确结果的情况）根据异常状态返回给前端；所以大部分项目的接口中都定义了响应报文头，用于区分接口请求状态，利用swagger平台管理接口的时候，这部分内容没有直接显示在swagger页面的response中，只有调用接口之后，才会拼接到接口的返回数据中，然后我们对每个接口返回的数据做逻辑处理时，会运用这部分的结果来判断接口的业务处理结果。
而在使用开源版本的EasyMock解析我们的swagger接口的时候，它会把这部分拼接的内容忽略掉，以至于在最后生成的接口中没有自定义响应报文头的部分，这样就和我们真实接口返回的数据接口不一致，所以我们在最新版EasyMock源码上进行了一些改造，让这部分自定义的内容依旧能够拼接到接口的返回数据中。
在改造之前，首先要弄清楚EasyMock中创建项目的流程。EasyMock默认都是使用的swagger地址方式获得API。创建项目时，将项目信息数据传到后端后，若通过检测，会调用project服务以及获取swagger接口文档的服务，其中project服务主要用对项目的增删改查；而swagger服务则是根据前端传来的swagger API地址获取对应的API文档，进行解析后将数据存入redis。在前端页面预览或者调用接口的时候，后端swagger服务会根据参数中的projectId从redis中取出相应的整个项目数据，然后再取出需要的接口数据，取出后使用Mock.js实例化数据，然后将数据返回前端。
搞清楚了项目的关键流程后，我们分别对EasyMock的前后端进行了改造，将接口自定义的“响应报文头”纳入了管理范围。这样，我们就可以在新建项目时，填入自定义的响应报文头数据，然后预览接口时能够看到自定义报文部分经过Mock之后返回数据，如下图所示：
改造后的数金版EasyMock已经部署到了我们的研发测试环境，这个改造主要是为了适配本公司项目的特点，如果你在创建项目的时候不添加这部分的数据或者希望添加其他自定义数据，也完全支持。
EasyMock的使用场景
在数金，我们的EasyMock主要使用在两个场景：
1. 调试页面
在平时的开发中，前端使用EasyMock来调试页面，这样可以避免“等接口”的尴尬局面以及关联系统环境不稳定的情况，使用步骤如下：
1.从swagger上面拉下所需要的接口的基本数据结构，并进行微调（比如说指定你想要mock出几条数据等）;
2.利用代理工具将本地开发的请求Map Remote到EasyMock对应接口的URL上;
3.再次发起请求，就可以看到接口被代理到EasyMock的接口上，并返回了mock生成的数据。
2. 做一个稳定的演示Demo
在数金，由于业务需要，我们可能需要经常给客户演示我们的产品，但是如果在演示的过程中关联系统的接口不稳定，请求结果出错，就可能出现演示失败的情况。为了解决这个问题，我们利用EasyMock做了一个专门用于客户演示的App Demo，前端页面依旧是我们正常项目的页面，但是api层调用的是我们EasyMock利用swagger创建的接口。
如上图所示，我们把App客户端配置的webhost地址更改成了我们EasyMock的地址，并在服务端配置仅拦截接口请求而不拦截页面请求，通过这样的操作，我们就能利用EasyMock创建一个环境稳定的Demo App，演示的时候再也不用担心环境问题啦。
以上是目前EasyMock在数金最常用的两个场景，当然EasyMock除了在前端开发的时候起到了重要的作用外，也可以应用在单元测试，自动化测试等场景中。大家可以自行发掘，如果有其他的一些好的场景，欢迎与我们交流、分享。
总结
在前后端的联调过程中，前端接口模拟工具并不是必需的，或许对于一些小的项目来说帮助没有那么明显，但是一旦项目比较繁琐或处于持续迭代中，EasyMock这样的前端接口模拟工具将会给开发者带来很多的便利，将前后端开发人员从泥潭中拯救出来。数金的前端模拟平台刚刚搭建完成不久，我们也是在应用过程中不断的学习。在使用EasyMock的过程中，我们总结了自己的一套应用流程：
1.分析与明确需求。
2.前端查看设计稿，确认交互逻辑；服务端根据需求设计数据库和接口。
3.接口评审与微调。
4.接口部署开发，并生成到swagger平台，EasyMock根据swagger的定义自动生成mock项目。
5.前后端分别开发，前端直接使用EasyMock的数据构建页面，后端进行真实接口的开发和测试。
6.前后端完成开发之后，将前端从EasyMock切换到真实环境，进行联调。
7.部署，测试，发布。
当然，每个公司，甚至每个项目组的情况都不一样，上面的应用流程不一定适用于所有的项目，如果大家在使用的过程中有发现任何问题或者疑问，或者有什么意见建议，欢迎随时与我们交流，共同成长。
附: 其他前端模拟工具
受篇幅限制，还有很多在前端模拟领域独当一面的优秀工具没有向大家详细介绍，如果EasyMock，以及上面提到的RAP和YApi都不能满足您的要求的话，您也可以试试以下这些：
NEI：网易的api接口管理平台，功能很完善，但是不开源。
apizza：在线模拟调试，快速生成api文档，导出离线版文档，功能完善，不开源。
AMP：github的mock开源项目。
Mockbin：可以从HAR文件生成一个模拟桩。
Doclever：编写REST接口文档，版本控制，生成测试数据。
mocky：无需登录，直接生成一个resposne，url不固定。
mock-api：一个网络服务，用来生成HTTP接口的模拟返回值。
文章来源：兴业数金研究开发中心 赵欢、潘英富 / 文
机器人说 | “风雨”6月，资产配置神器表现如何？
资产配置机器人又双叒叕来报道啦！
兴业数金首款资产配置机器人
已经陆续公布过八份业绩报告
接着献上新鲜出炉的6月份业绩报告~
资产配置机器人表现如何？
产品简介：兴业数金资产配置机器人（Asset Allocation Robot，以下简称“AAR”）以国内公募基金为标的，由基于递归神经网络的算法模型驱动生成基金投资组合，结合投资者行为标签进行用户画像，自动推送给投资者适配组合，包括大类资产类型及子类资产基金的配比，并自动跟踪市场变化，对资产配置和投资组合进行动态再平衡。
最新配置结果：基于截至6月底的基础资产市场信息，AAR给出的分类配置结果如下：对经用户画像后识别出的低风险投资者来说，其大类资产配置以货币类基金为主，适当配置权益型基金（17.65%），货币基金居于绝对主导（占比82.35%）；对于识别出的中风险投资者来说，AAR降低对货币基金的投资（占比47.82%），增加对权益类基金的投资(52.18%)；而对于高风险的投资者，AAR依然以权益类基金投资为主（占比90%）。
最新配置业绩：最近一个月，AAR对识别为低、中、高风险层级投资者推送的组合分别获得-0.27%、-1.81%、-1.24%的累计收益率，同期沪深300、上证综指、中证500累计收益率分别为-7.66%、-8.01%和-9.33%；AAR三类投资组合的最大回撤分别为1.23%、1.56%、2.07%，而沪深300、上证综指、中证500最大回撤分别为10.97%、10.54%、12.53%；AAR三类投资组合的年化波动率分别为2.86%、8.79%、6.86%，而沪深300、上证综指、中证500指数年化波动率分别为20.83%、18.90%、30.26%，AAR在取得一定的相对收益的同时波动也更小。
一、AAR的大类资产配置结果
图 1：大类资产市场表现（截至2018年6月）
大类资产在2018年6月走势各不相同，外围贸易战的不确定性和国内市场流动性趋紧加之经济数据大幅逊色于预期的背景下，股市全线暴跌，沪深300，上证综指和中证500均下跌超过7%，中证500更是下跌超过9%，而大宗商品本月保持震荡，债市和货币市场企稳微涨，AAR及时捕捉各类资产市场行情变化，对金融市场进行智能化认知、识别，自动调整各类投资者的资产配置比例。以下从大类资产的层面来看，AAR对不同类型投资者的持仓进行差异化动态调整的情况如下：
1、低风险层级投资者推送组合的历史仓位变化
图 2：低风险投资者推送组合的大类资产仓位变化
对于识别为低风险层级的投资者，主要配置收益较稳定的资产类型。随着货币市场走势的稳定，AAR最终配置比例为货币基金比重为82.35%，而权益型基金配置比重17.65%。
2、中风险层级投资者推送组合的历史仓位变化
图 3：中风险投资者推送组合的大类资产仓位变化
对于识别为中风险层级的投资者，AAR平衡不同风险类型资产的配比，在货币市场企稳、债市中长期利空的形势下暂不配置固定收益类资产，保持货币基金47.82%的高位配比和权益型基金52.18%的配置比重。
3、高风险层级投资者推送组合的历史仓位变化
图 4：高风险投资者推送组合的大类资产仓位变化
对于识别为高风险层级的投资者，AAR自动配置更多高风险的基金。考虑到近期股票市场波动较大，AAR适当增加一定比例的混合型基金进行缓冲，并挖掘潜在的结构性投资机会，最终配置总权益基金的比重为90%，货币型基金的比重为10%。
二、AAR各类投资者推送组合的业绩表现
AAR能对不同类型投资者进行识别，将用户智能分为10个风险层级，在预期收益和流动性需求一定的情况下，对各风险层级的用户进行不同的组合配置，也会有差异化的表现。
从2018年6月份当月表现来看，兴业数金AAR对识别为低、中、高风险层级不同投资者推送的组合分别取得了-0.27%、-1.81%、-1.24%的累计收益，而同期沪深300、上证综指和中证500累计收益为-7.66%、-8.01%和-9.33%；从最近一年来看，数金AAR累计收益分别为3.27%、5.82%、10.34%，基准累计收益为-1.54%、-2.81%、-4.11%，组合中长期的表现稳定跑赢基准指数，而且与各类基准指数相比，AAR配置组合的波动率大幅减低，体现了很好的稳定性和抗风险能力，具体业绩披露如下：
1、各风险层级投资者组合6月业绩披露
表1：各风险层级投资者推送组合-6月业绩披露表
2、不同类型投资者推送组合的表现及业绩归因
2.1低风险层级投资者推送组合的表现及业绩归因
图 5：低风险层级投资者推送组合近一年表现
图 6：低风险层级投资者推送组合近1月业绩归因
2.2中风险层级投资者推送组合的表现及业绩归因
图 7：中风险层级投资者推送组合近一年表现
图 8：中风险层级投资者推送组合近1月业绩归因
2.3高风险层级投资者推送组合的表现及业绩归因
图 9：高风险层级投资者推送组合近一年表现
图 10：高风险层级投资者推送组合近1月业绩归因
3、各风险层级组合近一年表现汇总
图 11：各风险等级组合与基准累计收益率对比（近1年）
图 12：各风险等级组合与基准最大回撤对比（近1年）
未来 | 人工智能在金融业还会有怎样的突破？
随着新一轮科技和产业革命的爆发，人工智能（AI）已经成为全球经济发展的新引擎，各行各业都在积极部署，推进人工智能应用落地。如今，人工智能的触角早已慢慢渗透到了金融、财会、咨询法律等门槛较高的专业领域，可见AI结合万物的时代正悄悄来临。
在我国，近年来人工智能领域空前火热，政策环境利好。随着《互联网+人工智能三年行动实施方案》、《新一代人工智能发展规划的通知》、《促进新一代人工智能产业发展三年行动规划》等多项政策与指导意见的印发，人工智能技术产业有望迎来新一轮的发展，特别是在产业结构、人才培养、创新孵化等维度上的升级转型。
一、人工智能简介
人工智能的概念最早诞生于五十年代的美国。最初，人工智能（AI）被定义为用机器来模仿人脑思考以及关联的智能行为。在构建过程中，AI不断结合数学、计算机科学、生理学、哲学等内容，并逐步发展壮大。
而就目前来看，经过半个世纪的发展，人工智能已现成为影响全球各行各业的热点技术，且部分应用在特定领域已经超过了人脑表现。
近年来，各领域的投资热度逐步攀升，医疗健康、移动通讯、教育培训等类更是受到资本热捧。
二、人工智能的发展概况
人工智能领域的研究架构大致可分为：基础层、算法层、方案层及应用层。由下至上、层层递进。基础层的数据与计算能力越强、中层的算法、技术等越成熟，上层建筑（即解决方案）才能更为牢靠。
而就行业图谱来看，主流趋势为各企业机构之间分工明晰，聚焦明确。当然，业内也不乏像BAT、谷歌、微软等打造跨层级的整体服务与方案的巨头企业。
在人工智能的诸多应用行业中，金融领域受到主要关注。AI作为众多技术手段之一，对金融行业产生前所未有的巨大影响。
语言识别处理、视觉生物识别、神经网络机器学习等人工智能技术已融入金融领域的各类作业流程中。
以银行为例，领先银行早已在不同作业层面做出大量人工智能投入，通过实时分析、机器人、深度学习、图像解析等技术，提高服务质量、降低经营成本。
三、商业银行人工智能案例
美国银行是美国最大的商业银行之一，也是最早一批人工智能在金融领域运用的实例之一。该行的成立可以追溯到1784年的马萨诸塞州银行——美国第二个历史最悠久的银行。08年，美国银行以大约440亿美元的价格收购美林证券，随即合并成为美银美林，将传统商业银行业务版图向大投行方向扩建。目前，美银美林已涉足投资，融资，咨询，保险和相关的产品及服务，包括：证券经纪，交易，承销；投资银行，策略咨询服务，合并与收购、投资管理；互换，期权，远期，期货和其它衍生品及外汇产品的创设、信托，贷款、按揭贷款和相关服务、保险销售和承销服务。
伴随业务版图扩张的，是美银美林对于科技的不懈投入。而人工智能作为其最大的科技投入，已打造出不少较为成熟的应用方案。其中，智能投顾机器人Erica、全自动化ROBO分行、应收账款解决方案HighRadius是美银美林AI应用中的佼佼者。
定位于成为用户“可信任的金融咨询师”Erica，是美银美林智能投顾机器人的代表。推出Erica虚拟助手，使用人工智能为客户提出改进财务的建议，客户能够在手机上通过文字和声音和“她”进行交谈。该助手会使用预测分析来提出自己的话题，而不是仅仅回答客户提出的问题。比如，Erica会使用预测分析和认知消息来帮助客户执行付款或偿还债务等，此外Erica能为消费者培养更好的理财习惯，并向用户发送建议性消息：“米歇尔，我找到了一个很好的机会，减少你的债务并节省300美元。”不仅如此，她还会引导人们查看他们的FICO分数，提醒客户采取措施来解除“她”注意到的下滑信用评级。
除了智能机器人，美银美林还打造了人工智能应收账款解决方案HighRadius。此解决方案汇集了AI，机器学习和光学字符识别（OCR），为应收账款对账和支付匹配设定了一个新的条件，通过四个步骤实现了直接对账：
1.识别付款人并将其付款联系到单独收到的汇款；
2.从电子邮件，电子邮件附件，电子数据交换（EDI）和付款人门户网站提取汇款数据；
3.使用丰富的汇款数据来开立应收账款；
4.创建客户端上传到其ERP系统的应收账款过账文件。
此外，该方案还有以下亮点：
1.在无法自动匹配发票的情况下，一个异常门户允许应收账款工作人员上传支持数据或进行其他调整以启用匹配；
2.客户可以设置自动生成的电子邮件并发送给付款人，要求他们识别出他们想要支付的发票；
3.解决方案指示板的报告具有现金预测功能，可以帮助客户更好地理解付款人的行为；
4.支持公司向那些债务未偿还的客户发送自动提示。
无人银行是国内最近才开始兴起的热点话题。然而早在两年前，美银美林就已经开始试点完全没有现场员工、全自动化的分支机构。目前，在明尼阿波利斯、丹佛开设了所谓的“ROBO分行”共三家。与Apple Genius Bar类似，客户可以通过银行手机应用程序预约。到现场后，客户将与一个远程工作的银行雇员进行一对一的视频对话。
通常，美国传统银行的分支机构占地面积大约为5000平方英尺。新的ROBO分支机构由于减少了人员办公要素，将占地规模减至原来的四分之一。目前，“ROBO分行”已经支持的业务有基础类交易、兑现支票、出售抵押贷款、信用卡以及汽车贷款等。
由上可见，美国银行的人工智能布局已久，不论是智能机器人、还是无人银行等，都是实打实的技术运用，非常值得其他同业学习借鉴。
四、金融科技厂商之人工智能案例
蚂蚁金服作为国内领先的金融科技公司，在人工智能领域具备较为前沿的实践应用经验。在蚂蚁金服内部，专门设有一支研究人脸识别、图像识别、机器学习等人工智能技术的科学家团队，其团队的科技产出被不断地应用于蚂蚁金服的各个金融业务环节之中，目前已经在智能客服、财富管理以及车险定损等若干个场景落地。
重复、单调且规律性较强的客服工作一直被视为人工智能将会取代的岗位职能。蚂蚁金服打造的“新客服平台”正在发力这一领域，基于AI语言识别与自然语言处理技术的“小蚁答”智能客服是其中最具代表性的产品。传统意义上的客服过程较为机械化，用户拨号之后需要听完1至9个号码的提示解说再选择按键进入下一个流程，存在点错率高、耗时较长等一系列影响客户体验的问题。“小蚁答”智能客服则完全改变了触达客户的方式。客户只需要通过语音“发号施令”，“小蚁答”便可通过自动识别语音为客户提供秒级的服务，甚至可以根据用户的行为、偏好等数据预测用户即将提出的问题，据估算其效率约为人工客服的30至60倍。
财富管理领域也是蚂蚁金服重点发力的人工智能场景之一。过去，基金公司一直被客户留存问题所困扰。蚂蚁金服上线的财富号平台利用人工智能技术，巧妙地在金融机构与客户之间构建了一座连通的桥梁，弥补了原先基金公司难以精准触达客户的短板。具体而言，财富号平台中的AI智能引擎“如意”可以将不同的客户群细化分类，为每个客户群推送最符合其需求的个性化基金产品；智能运营参谋“司南”可以衡量推送效果，评估客户满意程度，从而优化改善运营过程；智能节流器则可以用AI协助基金公司对推送内容进行拼图、设计、美化等工作。据统计，该节流器可以将用户交易转化率增加约40%。
此外，“定损宝”是蚂蚁金服将人工智能运用于车险定损领域的典型案例。传统的车险定损环节需要查勘员到出险现场拍摄照片，然后交由定损员对车辆损伤情况进行鉴定并决定赔偿金额。对于客户而言，会遭遇理赔流程繁琐、赔偿等待时间过长等痛点；对保险公司而言，若恰逢交通高峰拥堵期或出险现场偏远等状况，会面临理赔人员人手不足等痛点，甚至还有不法之徒进行骗保的风险。使用了深度学习图像技术的“定损宝”解决方案则可以很好地解决这些问题，前期需要将海量带有标注的车辆图片灌输给算法模型，并根据光照、颜色等各类环境变量对模型进行持续的迭代与完善，使之具备精准识别车辆刮擦损毁程度的能力。用户只需要将带牌照的出险车辆照片上传至“定损宝”，5秒钟之内就可以准确估算出理赔金额、维修价格等信息，并显示周边距离最近的维修厂定位。总体而言，“定损宝”大大压缩了理赔人力成本，降低了欺诈风险，提升了客户粘性。
五、展望
根据Gartner预测，人工智能对行业的影响将在不久的将来大规模爆发。例如，到2020年，AI在取代180万个工作岗位的同时，创造230万个新型工作机会；到2021年，AI将带来近3万亿美元的商业价值并节省62亿小时的工作量；到2022年，20%的非重复性岗位将重度依赖AI技术并且有40%的客户服务岗位必须在虚拟助手的帮助下才能进行决策与流程执行。
而对于金融业来说，人工智能无疑将对传统金融业带来深远的影响，在削减重复性岗位及流程的同时，提升金融行业整体效率。对此，传统金融机构应主动谋求转型，强化AI技术，建设配套的经营能力。
兴业数金征信查询解决方案 | 看好了，今天要露一手
随着监管要求的逐步收紧，各地人行对于征信查询有了更为规范且详细的要求。为帮助银行更快捷地进行征信查询，兴业数金依托自身资源优势推出征信查询解决方案，并于6月15日正式上线，向合作行提供满足人行监管要求的征信查询服务功能。截至目前，该解决方案已为多家合作行提供征信查询服务。
兴业数金征信查询服务解决方案是一款涵盖对公征信查询系统、个人征信查询系统的一篮子征信查询解决方案，具备良好系统管理和风险管理功能，可满足不同的征信查询需求。
征信查询解决方案的功能
支持对公及个人查询：支持客户对于不同征信主体的征信查询服务，满足各类征信查询需求。
支持单笔及批量查询：无论是个人还是对公征信查询，都可以进行批量查询和单笔查询，满足不同量级的征信数据查询需求。
强大的查询功能：包括异议信息查询，统计信息查询，预警信息查询等。针对不同的业务场景，提供不同的统计查询服务及预警管理。
完备的信息管理功能：包括信息公告管理，重要信息关系、风险用户管理、机构用户管理等，为客户提供全面多维度的征信查询系统管理支持。
图：征信查询解决方案功能
征信查询解决方案业务流程
征信查询解决方案特点优势
兴业数金征信查询解决方案优势鲜明，实行事前安全合规、事中预警阻断、时候监控管理的全流程风险管理。同时，数据的多样化存储及共享，可以最大程度满足客户风控及数据需求。
欲了解更多详情，
请咨询兴业数金金融云事业群产品创新部。
联系人
邵明英1872191966
吕彬18217125808
牵手云从科技 | 兴业数金开放银行平台通过AI解决方案，打造新生态
近日，兴业数金与云从科技达成战略合作，双方将共同推动中小银行的智慧化升级。合作达成后，兴业数金将通过开放银行平台，向客户提供人工智能解决方案，帮助客户完成身份安全、业务安全、资金安全等多维度的安全验证服务。
根据协议，兴业数金与云从科技将通过开发银行级别的AI应用，为合作银行打造智能精准营销、智能投顾、大数据智能风控等金融科技服务新生态，提升用户体验和营运效率，降低运营成本、拓宽业务边界，推动金融行业智能化浪潮。
随着轻型化、智能化、特色化逐步成为银行网点业务发展的重点，如何打破时间和空间的限制让传统业务移动化、简洁化和场景化，也成为银行在转型过程中的主要思考方向。人脸识别、OCR、深度学习等新兴AI技术的兴起，为银行提供了一条智能化转型升级路径。大型银行凭借优厚资源，拥有自主研发、运用新兴技术的能力，但对于IT基础薄弱的中小银行而言，自建银行智能解决方案存在成本高，周期长，风险大等问题。
此次，兴业数金与云从科技的合作，将为中小银行提供低成本、敏捷高效、安全可控的云端解决方案，促进中小银行的转型升级。
云从科技成立于2015年,是一家孵化于中国科学院重庆研究院的高科技企业,专注于计算机视觉与人工智能。作为中国银行业人脸识别第一大供应商，云从科技已为全国100多家银行提供AI解决方案。
顺应银行业数字化发展趋势，兴业数金通过构建开放银行平台，连通金融机构、领先金融科技服务商，助力两者更好地融入商业生态。平台一方面帮助金融机构利用金融科技、商业生态等合作企业的创新能力，导流获客，提升服务效率，降低成本，提升整体客户体验；另一方面可以帮助商业生态端利用金融机构的服务能力，为客户提供整合服务。
目前，兴业数金开放银行平台已经针对物流、支付、票据等行业提供多种解决方案，未来也将逐步扩大业务范围，与领先合作伙伴展开广泛合作，为中小银行转型升级提供驱动力。
沪公网安备
31011502007815号