2022年是资管后新规时代的元年,新业务品种层出不穷、外部监管日趋严格,对资管运营管理提出了更高要求,如何精准管理众多产品和运营事件、提升日终清算等人工监控效率、降低操作风险、沉淀资管数据等成为行业亟待解决的问题。2022年年初,人民银行印发的《金融科技发展规划(2022-2025年)》明确将搭建业务、技术、数据融合联动的一体化运营中台作为金融数字化转型的重点任务之一。
在此背景下,浙商证券积极运用大数据与人工智能技术,构建资管运营一体化平台(以下简称“平台”),建立基于柔性管理和流程整合,确保运营业务流程依规按章严格执行。在实务操作层面的“最后一公里”对前台业务起到有效的制衡。依托标准化、流程化、数字化的流程监督,对资管运营全流程的风险进行统一精细化管控,提升业务人员的运营管理体验。
平台以业务流程为框架、数据为脉络,构建了以“三个中心”为顶层设计的一体化运营管控体系。具体包括:
产品中心(产品管理系统):主要功能有产品流程管理、产品要素管理、产品全景360、产品文档管理、产品多维数据展示、产品运营事件提醒等。
监控中心(运营管控系统):结合运营人员经验,将过往经验教训落地在系统中,形成运营人员的“第三只眼”。以无侵入的方式,将数据探针深入各个业务系统,并根据业务规则实时采集和监测业务运行的状态。
数据中心(资管数据集市):以数据平台化、模型标准化为基础,建立统一的资管数据集市,构建覆盖各维度视角的指标体系,打造全方位的数据体系,为报表中心、运营监控等应用,提供高效率的数据支持。
在场景应用创新方面,实现了两个突破:
一是构建了可视化、智能化的运营预警机制。搭建可视化、可配置的运营管控监控配置服务站,对业务运作、数据流转、流程执行等各类业务场景风险指标进行模型设计、算法校验和实时监控。通过可视化运营监控中心建设,汇总多个系统运营监控状态以及跨系统运营监控模型结果展示。同时及时预警并根据事先配置的异常处理流程自动化处理异常或必要时人工干预排查,及时、有效地管控运营风险。
二是构建了可共享监控规则因子库。通过资管运营管理业务的梳理,分类提炼出多维度因子,并根据其管理属性及运营管控要求封装成标准化监控规则因子库。由于资管产品要素的共通性、资管运营管理工作的同质性,监控规则因子库对行业“新引擎“通过标准化的入参定义,可向行业推广使用。
在技术架构方面,资管一体化运营中台以云原生架构为基础,构建大数据与人工智能技术中台,整合多套异构后台,保障业务需求快速响应。
其中,基于大数据平台的流批一体技术实现高吞吐、低延迟、高性能,能够分布式运行在上千个节点上,将一个大型计算任务的流程拆解成小的计算过程,然后将任务分布到并行节点上进行处理,在执行任务过程中,能够自动发现事件处理过程中的错误而导致数据不一致的问题,满足监控实时性要求高的业务场景。
目前,浙商证券综合运营平台已有300多个产品线上运行,实现线上全生命周期管理。涉及36个流程,合计277个流程节点,覆盖资管各业务部门;搭建了可视化、可配置的运营管控监控配置服务站,实现在运行的监控指标有166个,极大减轻业务人员工作周,同时降低了操作风险。浙商证券资管一体化运营管控体系的建设,对行业有一定的参考意义。项目实现了资管运营工作体系化、数字化、智能化建设,将业务人员从日常繁琐工作中解放出来,帮助解决一线业务人员的现实问题,为资管行业运营风险管理提供新的方向。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。