2026 年 10 月 23 日，“数智筑基·算启未来｜2026 AI+金融基础设施前沿创新对话”在浦东举行。本次活动由陆家嘴金融沙龙秘书处、智臾科技联合主办，聚焦人工智能时代金融基础设施的发展趋势、技术创新与业务实践，汇聚金融机构与科技企业代表，共同探讨人工智能赋能金融基础设施建设的实现路径。
本期，我们将为大家带来 DolphinDB 创始人兼 CEO 周小华博士发表**《AI 加持下的多资产管理系统建设》**主题演讲的完整解析分享。
过去十年，DolphinDB 从量化投研起步，逐步将数据与计算能力拓展至交易、风控等金融场景，服务更多类型的金融机构，支持的资产类别也从股票延伸至债券、外汇、商品和衍生品。这些实践，构成了周博士此次分享的基础。
**随着多资产业务发展和大模型走向实际应用，金融机构如何才能改减少重复建设，让数据、计算和金融专业知识服务更多业务？**周博士围绕这一问题，提出了从定制应用转向可复用基础能力的建设思路。
重新思考建设模式，让共性能力持续积累
近年来，息差收窄、行业竞争加剧，金融机构越来越重视自营投资、资产管理、金融市场和财富管理业务，对投资研究、资产配置、定价估值和风险管理的基础设施提出了更高要求。
**多资产管理的复杂性，也随之显现。**机构需要跨市场、跨币种管理投资组合，统一分析持仓、损益与风险。每增加一种资产，都可能涉及新的数据结构、定价模型和业务规则，过去围绕单一业务建设的系统，越来越难以支撑跨业务协同。与此同时，传统定制开发模式容易带来建设周期长、共性功能重复开发、系统相互割裂等问题。业务变化越快，系统改造的成本也越高。
在这个背景下，周博士认为，在确保业务连续性和计算结果一致性的基础上，还应把握信创替代的浪潮，重构金融基础设施，提升系统的性能、开放性与自主创新能力。
“信创替代不应该只是对旧系统的机械复刻，更应该成为重构金融基础设施、提升自主创新能力的机会。”
围绕这一判断，DolphinDB 提出了三个层次的建设思路：以统一的数据与计算底座支撑多资产数据组织和业务处理，将回测、定价、风险计量、现金计算等共性逻辑沉淀为业务中间件，再由业务专家和软件工程师指导 AI Agent，组合这些能力，开发满足不同机构需求的应用。
在这一模式下，业务专家与工程师负责定义需求、明确规则和验证结果，AI Agent 参与需求理解、能力组合与迭代开发，让共性能力可以反复使用，差异化需求也能够灵活实现。
以 DolphinDB 的实践为例，周博士从以下几个层面，分享了多资产管理系统的建设思路：
统一组织多资产数据，为业务协同提供基础
周博士指出，投研、交易、风控以及头寸和资金管理，需要的数据存在大量共性。资产定义、市场数据、交易、持仓和公司行为等基础数据，如果能够统一定义和存储，就有助于减少重复建设，保持数据口径一致。
但多资产数据的统一组织，需要充分表达不同金融工具的业务差异。股票、债券、利率互换和期权各有不同的属性、现金流规则和定价方法，简单堆砌关系表或扩展大宽表，难以清晰承载这些逻辑。
DolphinDB 的实践是采用面向金融资产的对象模型，将不同资产的差异封装在对象内部，通过标准化接口提供曲线曲面构建、定价估值、现金流计算和风险度量等能力。
目前，DolphinDB 已在数据库类型层面原生支持金融资产、市场数据等对象类型。以此为基础，多资产数据能够统一存储和查询，也能够为上层应用和 AI 提供更清晰的业务对象与计算接口。
统筹数据流与计算任务，让复杂业务链路可靠运行
多资产管理既涉及投研、回测和风险报表等大规模离线计算，也涉及曲线构建、定价估值、交易信号生成和交易前限额检查等实时计算。不同场景对计算规模、响应速度和运行可靠性有着不同要求。
DolphinDB 在进程内低时延计算、CPU-GPU 异构计算和流批一体计算方面积累了多年经验。周博士强调，支撑复杂金融业务，还需要解决多个计算任务之间的协同问题。
例如，一笔交易发生后，持仓需要更新，估值和损益需要重新计算；行情发生变化，定价和风险指标也要随之更新。这些任务相互依赖，需要统一的任务编排、资源调度、状态管理和故障恢复能力。
针对这些需求，DolphinDB 正在持续建设企业级实时计算平台Orca，推进实时数据流与计算任务的统一编排。在IBOR（投资账簿）、实时头寸和集团风险监控等场景中，DolphinDB 希望通过 Orca，让不同集群的任务协同运行，使行情与交易变化沿着持仓、估值和风险计算链路持续传递，为业务提供更加及时、一致的投资视图。
沉淀金融业务中间件，减少专业逻辑的重复开发
在多资产管理系统中，金融业务逻辑是最复杂、最具专业壁垒的部分之一。因子与策略回测、模拟撮合、定价估值、风险计量，以及不同业务口径下的现金计算，往往在不同机构、不同应用中被反复开发。
周博士介绍，DolphinDB 正在建设因子计算、回测、模拟撮合、业绩归因、订单簿合成、曲线曲面构建、估值定价和风险计量等能力，并将其封装为可复用的函数、模块、插件和引擎。
这些中间件可以供工程师和业务应用调用，也为 AI Agent 提供专业工具。例如，一次组合风险分析，可以拆解为持仓和市场数据提取、曲线曲面构建、定价估值、风险引擎选择和风险指标计算等环节，再根据具体需求组合执行。
周博士指出，将共性金融逻辑沉淀为可复用能力，是提高应用开发效率、支持 AI 进入专业业务流程的重要基础。
让 AI 理解数据，调用经过验证的专业能力
“AI 不会替代金融基础设施，但会改变它的使用方式。”
周博士认为，随着 AI Agent 从回答问题走向查询数据、调用工具和执行计算，金融机构积累的数据与专业能力，需要能够被 AI 发现、理解和组合。围绕这一目标，DolphinDB 正在重点推进三个方面的建设。
首先，让 AI 找得到数据，也理解数据。DolphinDB 正在建设全局数据目录Catalog，统一组织内部和外部数据资源，帮助 AI 发现数据的来源、位置、结构和访问方式。数据既可以汇集到 DolphinDB，也可以保留在原有系统中，通过接口访问。
但发现数据之后，还需要明确业务含义。例如，查询一个投资组合的当日收益，涉及账户范围、持仓时点、现金流和汇率等计算口径。为此，DolphinDB 正在与头部机构共同探索金融本体FinOntology，通过金融语义层描述金融对象、业务关系、指标口径和计算规则，帮助 AI 理解数据背后的业务逻辑。
**其次，让 AI 调用经过验证的专业计算。**金融业务对准确性和可靠性有很高要求。临时生成的代码即使能够运行，也不代表计算方法符合业务规则。DolphinDB 希望让 AI 直接调用经过验证的金融函数和业务中间件，由 AI 理解需求、组织流程，由底层平台高效、可靠地执行计算，减少重复开发和计算错误，满足生产业务对性能的要求。
第三，让 Agent 的开发与运行可管、可控。当 AI 进入金融生产环境，数据权限、工具调用、执行过程追踪和审计都需要得到有效管理。为此，DolphinDB 推出了 AI 产品线DolphinX，对 Agent、RAG、MCP 和 Skills 等能力进行统一管理，并围绕投研、回测、定价、风控和自然语言问数等场景，提供金融垂直领域的专业 Agent。
同时，开放架构也是这一建设思路的重要组成部分。客户无论使用 WorkBuddy、Copilot、Codex、HiAgent 还是自建 Agent 平台，都可以通过 MCP、SDK、A2A 等接口，接入 DolphinDB 的数据、计算和金融专业能力。
周博士表示，DolphinDB 的目标不是让客户更换现有的 AI 平台，而是让 DolphinDB 成为这些平台背后可靠、开放、专业的金融数据与计算基础设施。
十周年新起点，持续深耕金融基础软件
演讲最后，周博士用一条主线概括了多资产管理系统的建设方向：
“让数据能够复用、计算能够复用、金融专业知识能够复用，让业务应用更加灵活地演进。”
每一次系统建设，都可以进一步丰富底层的数据、计算和专业能力，让已有积累服务更多应用，也能够被 AI 更好地调用。
站在成立十周年的新起点，DolphinDB 将继续深耕基础软件，完善数据与计算能力，沉淀金融专业能力，以开放的方式与客户和合作伙伴共同建设，为金融行业的持续创新提供长久、可靠的支撑。
还想听更多行业大咖的精彩分享？锁定峰会回顾系列，下一期我们接着聊！
转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/qq_41996852/article/details/170044416
