市场化和AI倒逼:支撑金融市场业务的软件系统亟待重构

近几年，金融机构的收入和盈利结构正在发生深刻变化。相比银行的存贷款业务、券商的经纪和投行业务，以资金业务和资管业务等为代表的金融市场业务，虽然在收入中的占比并非最高，但利润贡献持续提升。

以银行为例，头部国有大行仍以存贷业务为经营基本盘，但净息差持续收窄的背景下，金融市场业务凭借轻资产、高毛利特性，利润占比显著高于收入占比；股份制银行、城商行的依赖程度提升更为明显，如光大银行2025年金融市场业务收入占比约两成，利润贡献却过半。

表1：2025年银行存贷款与金融市场业务收入、利润贡献比例（数据来源：东方财富）

需指出的是，金融机构在金融市场业务上虽采取差异化竞争策略，但数据管理、实时计算、流处理等底层能力具有高度通用性。各自为政的重复投入不仅抬升建设与运维成本，亦制约了底层能力的持续迭代与演进。

在此背景下，DolphinDB致力于承担金融软件基础设施共建者的角色。我们不替代业务系统，而是沉淀金融市场业务共性的底层能力，为机构提供基础的数据管理和计算分析能力，提供标准化的业务中间件。DolphinDB在今年5月已通过国家安全可靠测评，可为金融机构建设安全、可靠、自主可控的新一代基础设施提供支撑。

具体而言，这一基础设施的重构围绕以下关键能力展开。

多资产、一体化经营已成行业竞争新焦点，但多数底层系统仍停留在单一资产阶段。早期的业务系统通常围绕相对固定的产品体系构建，假设金融工具具有稳定的数据模型和业务规则。而多资产业务最大的特点恰恰是持续演进：新的金融工具不断推出，已有产品持续增加新的条款和特性，业务规则和计算逻辑也在不断调整。

国内机构通常基于关系数据模型建模，或按资产类别分表（表数量从几十到数百张不等），或将所有资产纳入大宽表（易造成字段冗余）。两种方案本质上都缺少中间层抽象，这直接增加了业务人员和AI的理解成本。其次，业务系统的代码和数据库表结构将高度耦合。相当于实现任何应用时，都在写一个巨大的分支语句：针对不同的资产类型，选择不同的数据模型，硬编码完成业务逻辑。面对复杂的跨资产管理业务，前期的建设成本和后期的维护都会十分高昂。譬如客户想增加一种交易的新资产，基本上所有的业务逻辑都需要修改，耗时耗力。

海外金融机构其实已经在多资产数据建模上积累了宝贵的经验。通常的做法是将种类繁多的金融资产和相应的用于定价的市场数据抽象成对象，并基于这些抽象的资产对象和市场数据对象，定义标准化的用于定价和指标计算的统一接口，用于上层应用的开发。这种方法最大的优点是将资产以及指标之间的差异性和复杂性封装在对象之内。基于这一思路，DolphinDB在多模态存储引擎中引入了金融工具（Instrument）和市场数据（MktData）两种对象数据类型，并增加了类似instrument Pricer这样统一的指标和定价接口函数。不同资产能够以一致的方式进行表达、计算和管理。金融工具由此从静态记录变为可查询、可计算、可复用的业务对象，为跨资产估值、风险计量和组合管理提供一致、可扩展的计算基础。

图1 DolphinDB多资产工具与市场数据模型框架示例

以组合管理为例，传统模式下描述资产、交易、行情、指标需要几十上百张表，在DolphinDB模型下可压缩为5个核心对象体系。新增资产无需大改表结构或核心业务逻辑，只需定义新的资产对象及其定价、指标计算实现。

图2 多资产数据模型在组合管理上的应用

投研能力是金融市场业务区别于传统业务的核心特征之一。相比依赖规模和渠道优势的传统业务，金融市场业务的收益与机构的研究水平直接相关。能否发现有效因子、策略和算法，能否开发出符合市场需求的产品，能否提前识别风险，直接决定了业务表现。

投研对系统提出的要求，同时包含灵活性和效率两个方面。灵活性方面，策略和模型需要持续迭代，因子验证和调整是常态；效率方面，市场机会的窗口期很短，策略从构思到能够上线交易的周期，直接影响其有效性。

多数机构的现状是，研究环境和生产环境分别针对这两个要求做了优化，但没有同时满足：研究环境侧重灵活，使用Python等工具进行分析和回测，性能相对不足；生产环境侧重性能，基于C++等工程化体系建设，灵活性受限。两套系统分别运行，中间依赖人工衔接。

这也是我们在服务客户过程中反复验证的一个判断，投研能力的整体提升，本质上需要实现产研一体，让数据、研究和生产运行在同一套基础设施之上。所以，DolphinDB采用统一的流批一体架构，使得历史数据与实时数据共享同一套数据模型和计算引擎，研究与生产可以使用同一套代码逻辑和函数体系。

图3 产研一体的策略研究解决方案

在策略研究上，DolphinDB支持海量历史行情回放、因子计算和事件驱动回测，使研究人员能够在接近真实市场环境的条件下验证策略表现。通过市场数据回放驱动策略运行，并结合模拟撮合、订单管理和交易规则处理，研究人员可以更准确地评估策略收益、风险和实际执行效果。

更重要的是，研究过程中形成的因子、指标和策略逻辑需要从个人代码中沉淀出来，成为机构可持续积累的研究资产。DolphinDB通过因子管理平台Starfish，对因子的开发、验证、管理和应用进行统一组织，使研究成果能够进一步连接回测和生产环境，推动研究、回测与交易执行形成闭环。

投研竞争的核心，正在从单纯依赖研究经验，转向依赖数据、计算和工程能力的综合支撑。而一套统一的数据与计算底座，是支撑这一转变的基础。

研究决定了能否发现机会，而实时决策决定了能否抓住机会、控制风险。“实时”的需求在与客户交流过程中出现的频率明显变高，监管穿透式管理、投资经理日内风险敞口把控、客户端实时净值体验，均对实时计算提出刚性需求。

但实时化并不是简单提升计算性能，或增加服务器资源。实时业务要求从“数据先汇聚、再统一处理”的批处理模式，转变为“数据产生、计算同步发生”的事件驱动模式。无论是风险控制中多个事件组合形成的复杂信号判断，还是估值业务从T+1批处理走向日内实时计算，本质上都要求金融机构重新设计底层数据处理链路。

目前行业中已经有较成熟的通用流处理框架，例如Flink、SparkStructured Streaming等。这类系统很好地解决了数据订阅发布、流计算状态管理和高可用等通用的流处理问题，但缺乏对金融业务需要的引擎和算子方面的支持。

基于长期服务金融客户的实践，我们将金融场景常用的流处理模式内置到计算引擎。以订阅发布框架为基础，内置10余种流计算引擎，并提供窗口聚合、状态计算、关联计算等2000余个算子，让行情、交易、持仓数据进入系统后即可触发计算，大幅降低风控、估值、监控等场景的开发门槛。

图4 流计算引擎分类图

在此基础上，我们针对不同场景提供差异化能力：面向低延时业务的嵌入式引擎Swordfish可实现微秒级计算；面向大规模并行任务的CPU-GPU异构平台Shark可加速蒙特卡洛模拟和衍生品定价；自研的Octopus复杂事件处理引擎则用于风险模式的组合判断与实时告警。

图5 复杂事件处理引擎（CEP）架构图

此外，我们引入声明式流图架构，将业务逻辑与底层执行解耦，开发人员只需定义“计算什么、依赖什么、输出到哪”，系统自动完成执行计划生成、资源调度和故障恢复。

企业级协同：多集群统一调度

当实时计算从单一场景走向全机构应用，挑战便从计算性能转向如何让能力稳定运行、持续复用。例如，大型金融机构希望实时或准实时的知道整个机构的资产净值，对石油、黄金、美债等重要金融资产的头寸暴露。

大型机构的总部、分支与不同数据中心往往拥有各自的数据和计算资源，若仍依赖批量同步和集中汇总获取全局视图，实时决策能力将受到明显限制。因此，下一代金融基础设施不仅需要统一的数据和计算能力，还需要统一的协同机制。

我们的实践是将数据、计算和调度放在同一框架下组织，使不同业务系统能够基于同一套运行机制协同工作。我们所推出的企业级实时计算平台ORCA，旨在解决这个问题。

图6 基于ORCA的多资产一体化实时管理平台架构图

在这一架构下，市场数据、参考数据和业务数据可以在统一平台内持续更新和共享。实时头寸管理、集团风险监控、IBOR等场景中，前台交易、中台风控、后台核算得以基于同一份实时数据开展工作。同时，跨地域集群之间也能够直接协同处理数据和任务，使机构获得更统一的业务视图和更高效的资源利用能力。

图7 Orca跨地域协同场景示意图

智能开发与应用：面向AI的统一能力底座

如果说前面的变化主要来自市场，那么AI正在从另一个方向重新定义金融基础设施。

过去，企业基础设施主要服务于人。如今越来越多数据被AI直接理解和调用，通过自然语言完成开发与编排的Vibe Coding也正成为新范式。企业需要处理的数据模态从时序、关系扩展到文本、向量、特征，需要承载的计算负载也从查询统计扩展到训练、推理和Embedding。若延续“一种能力一套系统”的老路，最终只会带来新的数据孤岛。

图8 DolphinDB产品线全景图

DolphinDB以统一底座承载多模数据与多元计算，实现存储层（时序、关系、文本、向量、特征一体）、计算层（批处理、流处理、CPU-GPU协同）与编程环境（统一语言与执行体系）的全面融合。

在底座之上，我们进一步构建面向训练与推理的能力层，涵盖特征管理与存储、机器学习与深度学习框架、文本与向量数据库、Embedding工具，以及面向时序和表格数据的垂直基础模型。

在此基础上，沉淀因子开发、选股、估值、组合管理、策略回测等高频业务经验为标准化Tools、Skills与Agent体系，并推出面向AI应用的统一客户端DolphinX，帮助企业以更低门槛将AI整合至业务流程。

对于下一代基础设施而言，AI不应是附加组件，而应成为与数据、计算深度融合的原生能力。这幅全景图所呈现的，正是DolphinDB围绕这一理念构建的完整产品矩阵：以统一底座承载多模数据与多元计算，以标准化能力封装赋能上层应用，以AI原生架构支撑金融、电力、工业等核心行业的智能化转型。

金融竞争的下一站

市场重构、AI渗透、息差压力交织，金融机构正被推向更复杂的经营环境。

过去，软件基础设施的使命是支撑业务数字化；而现在，它更需要支撑智能化生产。数据、计算和智能，正在从各业务条线分别建设的能力，变成一套需要被统一组织的底层资源。未来，真正的竞争优势，不仅来自更优秀的业务策略或AI模型，更来自能否建立起一套持续组织数据、计算和智能的软件底座，让技术能力能够不断沉淀、持续演进。

这场转变不会在某一天突然完成，但已经开始。对于金融机构而言，底层能力的建设选择，将越来越影响其未来的发展空间。那些率先完成基础设施重构、建立数据与智能协同能力的机构，也将在下一阶段的金融竞争中获得更持久的优势。

金科焦点 • 推荐阅读

重磅：“普惠金融”盘点、“绿色金融”盘点、解码、中国国际金融展、“数字金融”盘点

技术：量子鼎新、大模型、数据

指引：高层、政策、行业、学术、专访