首页 > 专栏

【专栏】陆岷峰教授:数据资产评估与定价如何冰破?

陆岷峰 · 零壹财经 2022-09-26 11:20:52 阅读:9669

关键词:价值评估商业银行数字经济数据资产新金融业态

作者:陆岷峰    来源:零壹作者专栏 摘要:在数据资产市场的发展过程中,商业银行是参与市场建设的关键主体之一,估值定价问题成为制约当前数据资产市场发展的主要掣肘。分析发现,商业银行的数据资产具有数据来源的广泛性、数据内容的异质性、数据生产的复杂性等数据特点,在应用场景和...

作者:陆岷峰    来源:零壹作者专栏

摘要:在数据资产市场的发展过程中,商业银行是参与市场建设的关键主体之一,估值定价问题成为制约当前数据资产市场发展的主要掣肘。分析发现,商业银行的数据资产具有数据来源的广泛性、数据内容的异质性、数据生产的复杂性等数据特点,在应用场景和价值显现环节又会发生多重可变性,从而为商业银行数据资产的估值定价带来一些挑战,包括标准缺失、价值多变、工具不足、市场缺位、权属纠纷等方面。为此,本文综合运用层次分析法、成本法、收益法和市场法等评估方法的原理,针对商业银行不同类型的数据资产采取不同的估值思路,利用联邦学习技术进行估值定价流程的设计和系统集成,在以区块链为核心技术的交易系统的支持下,实现商业银行数据资产的交易定价。

(阅读原文,请到《中国知网》下载《商业银行数据资产的价值评估与交易定价研究》一文)

一、引言

2020年,我国数字经济规模达到39.2万亿元。数字经济浪潮已来,数据要素市场化建设在加速推进,数据成为数字经济时代的核心资产,提高数据资产的管理水平迫在眉睫。整合打通数据资产生产、分配、流通、消费等环节,从而形成畅通循环的数据资产市场体系,推动数字经济的蓬勃发展,已成为国家的重大经济战略。为了加快数据资产市场的建设,在抓住关键主体的突破引领作用的同时,还需要打通关键环节的掣肘梗塞。从做大做优数据资产市场的考量出发,综合当前阶段的发展需求,兼顾规模扩大与效能提升的要求,商业银行是当前数据资产市场建设的关键主体之一,数据资产的交易流通是关键环节,而不成熟的价值评估与交易定价方法则是阻塞数据资产交易流通的关键结构掣肘。

商业银行凭借着天然的数据优势,在业务经营管理过程中沉淀了海量的货币资金数据、业务开发与管理数据、客户经营与消费行为数据等数据类别,商业银行在数据资产市场中占据着十分重要的结构性地位。对于商业银行来说,数据资产经营将成为未来的重要盈利增长点,盘活做优做强数据资产是商业银行在数字经济时代提高竞争力的战略选择,挖掘数据资产的价值潜力是商业银行数字化转型的核心要务也已经成为行业共识。对于整个数据资产市场的发展来说,需要充分发挥商业银行在数据资产领域的体量规模优势、场景运营优势、市场定价优势、资金融通优势以及同业联动优势等,通过建设商业银行之间以及商业银行与其他市场主体之间的数据资产循环市场,来引领全市场范围内的数据资产市场建设,以此来突破当前数据资产市场建设难以产生集聚效应的桎梏。

然而,当前商业银行数据资产交易流通不畅的症结之一就在于缺乏系统高效的数据资产估值与定价方法。在数据资产生产、分配、流通、消费的循环链条中,科学明晰的价值评估和反映市场供需的定价,是识别数据资产的效用潜能的重要标识,也是促进数据资产流通循环以发挥最大边际效用的必要工具。估值与定价方法的缺失不仅会影响数据资产的内在价值和使用价值在权益主体内部的充分挖掘,更会阻碍数据资产的权益分配和交易流通,降低数据资产市场的活跃度。虽然国内大部分商业银行已经开启了数据资产化管理的新阶段,但是在数据资产估值和定价方面还处于摸索阶段,在方法的实践应用上也基本是各自为战、各成一派,关于商业银行数据资产估值与定价的研究还有待继续深入。

二、文献综述

关于商业银行数据资产的估值与定价方法,现有文献主要是在探讨商业银行的数字化转型的同时,分析其数据资产的价值挖掘问题,更多的文献旨在分析一般性的数据资产的估值和定价问题。

(一)商业银行的数字化转型和数据资产价值挖掘

商业银行在我国金融行业中占据绝对的主导地位,基于其独特的经营模式和业务活动,商业银行沉淀了大量有关社会经济和居民活动的数据,陆岷峰(2021)认为商业银行在数据资产市场的竞争力,将决定其在场景金融中的运营效率和发展前景。田国立(2021)在对建设银行数据要素价值挖掘的分析中,发现数据要素促进了商业银行在普惠金融、精准获客、风险预警等方面的业务优化,数据要素能够与其他生产要素实现高度融合,在提高其他生产要素的作用效率的同时,还能减少相应的运行成本。

数字化转型是商业银行在数字经济时代的必然选择,在某种程度上,商业银行数字化转型的本质就在于对数据管理的自动化、资产化和市场化,其中资产化和市场化的重点就是对数据资产的价值挖掘和变现(赵越,2021)。陆岷峰(2021)指出,金融科技应用和数据资产经营可能成为中小商业银行实现转型发展的助推器,差异化的数据资产特征将有助于中小商业银行在未来的市场竞争格局中占据一席之地,但在数据资产管理和价值评估等方面,目前的中小商业银行普遍处于劣势。

对于商业银行数据资产的价值挖掘,技术和管理模式的作用同样重要。罗勇(2022)认为商业银行数字化转型的难点主要体现为数据集成应用的困境,即数据金融生态难以形成,应在数据端围绕数据价值来进行商业模式的设计,实行数字化转型的新方案,其技术形态主要表现为云计算等新技术渠道。徐阳洋等(2021)对数字化技术在金融领域的应用进行了分析,认为金融科技大大推动了金融创新,在数字经济的发展浪潮下,数据资产的生产、分配、交易流通和使用都需要依赖金融科技的支撑。

(二)数据资产的价值评估与定价方法

数据资产估值与定价能力的缺失或不足,都将影响商业银行等金融机构的市场表现和生存状况,商业银行对于开发高效的数据资产估值定价方法具有强烈的内生动力(欧阳文杰等,2021)。经过数字化转型而形成的数字银行将深度参与甚至主导数据资产市场的建设,郝朝坤(2022)认为数字化的商业银行将在数据资产价值评估和市场定价方面发挥主体功能,数据资产市场的流通循环需要商业银行的市场化参与,商业银行的资产评估和定价技术优势也将成为数据资产市场发展的有力支撑。

对于数据资产的估值和定价方法,多数文献集中于讨论会计和金融方面的估值定价技术在数据资产领域的调整性适用。陈芳和余谦(2021)以基于剩余法的多期超额收益模型为主要工具,根据数据资产的风险和收益特征对其折现率进行了调整,以区别于无形资产的折现率,并利用该模型对某医药公司的数据资产进行了估值。熊巧琴和汤珂(2021)通过对国内外相关文献的梳理回顾,认为数据资产的价值需要在交易的过程中显现出来,数据资产实现跨权益主体的流通和社会化配置才能真正发挥数据资产的价值,成本法、收益现值法、市场法等传统会计学定价方法可应用于数据资产的估值定价。

除了会计学方法,实物期权理论也可在数据资产价值评估和定价中得到运用,王静和王娟(2019)利用B-S模型对五家互联网金融企业的数据资产进行了价值评估,同时以层次分析法来确定不同影响因素在标的数据资产估值中的权重分配。闭珊珊等(2020)则将成本费用(C)、固有价值(I)、市场供求(M)、环境约束(E)等评估因素纳入统一的数据资产评估模型,同时融入市场法、收益法、AHP法等评估方法,构建了CIME数据资产评估模型,并通过计算机技术为该模型打造了系统架构和评估工具,最终目标是生成数据资产的价值评估报告。

(三)文献评述

从现有的文献来看,专门讨论商业银行数据资产估值与定价的文章较少,多数文献基本都是概括性地研究数据资产估值定价的一般性适用方法和应用逻辑,也有部分文献在研究商业银行的数字化转型的同时,注重分析如何对商业银行的数据资产的价值进行充分挖掘。考虑商业银行的市场结构地位、业务经营特色、数据资产特点等,本文围绕商业银行这一关键主体,锚定数据资产估值定价这一技术难点,从指标体系、工具方法、逻辑架构与运行系统等方面着手,对商业银行数据资产的估值与定价展开研究。

三、商业银行数据资产的特点与估值定价难点分析

商业银行在数据资产生产流通方面具有先天优势,在数据资产估值定价方面也具有相对强大的处理能力,商业银行除了满足自身的数据资产估值定价与交易的需求,还承担着推动数据资产市场建设的社会责任。

(一)商业银行数据资产的生产机制及数据特点

商业银行形成数据资产一般需要经过数据获取、数据储存、数据整理、数据标准化、数据资产化等流程环节,在形成数据资产之后,为了将数据资产在流通市场中交易变现,商业银行还需要将数据资产打包成相应的数据产品或者直接将数据资产出售,以此满足相关市场主体对数据资产的需求。(见图1)

从商业银行生产数据资产的源头即获取数据的来源来看,大体可以分为三个方面的数据来源:一是商业银行从外部数据资产市场上的权益主体手中购买的有关数据或数据资产;二是政府部门提供的政务公共数据;三是商业银行从自身的业务经营活动和运营管理活动中沉淀的数据。在第三类数据来源中,又可以进一步划分为业务经营数据和运营管理数据两大类别。

对于商业银行的业务经营数据,是指商业银行在开展对公业务、对私业务、机构和同业业务以及中间业务等服务时,在同客户的业务互动过程中记录的相关数据。在获取业务经营数据的过程中,由于不同商业银行在规模类型、传统业务特色、经营地域和监管要求等方面存在差异,导致各商业银行生产的相关数据资产也存在较大异质性。

对于商业银行的运营管理数据,根据商业银行的管理结构设置,分为前台、中台和后台,分别形成不同类型的管理数据。前台直接面对客户,开展市场竞争和业务活动,在信贷管理、资产管理等方面获取数据;中台主要进行业务统筹管理,在风险评估、内控合规、财务会计以及渠道管理等方面形成相应数据;后台主要提供运营支撑,在为全行进行人力资源、运营管理、行政管理、信息科技等方面的服务时积累相应的数据。此外,商业银行基于自身的货币资金经营业务形成的货币资金数据、战略管理过程中形成的市场和政策研究数据等,也可以纳入商业银行的内部管理数据。由于不同商业银行的管理方式、内部文化、人员构成、发展战略等均会不一致,其运营管理数据形成的数据资产也会存在差异。

为了在开展经营和管理业务的过程中形成数据,商业银行需要进行业务数据化,在数字化转型的过程中将所有活动轨迹以数据记录,然后才逐渐进入数据资产化的生产流程。

从以上商业银行的数据资产生产机制和数据来源分析来看,商业银行的数据资产主要具有三个维度的数据特点:数据来源的广泛性,数据内容的异质性,数据生产的复杂性。这些数据特点又影响到商业银行数据资产的应用和价值显现,进而影响商业银行数据资产估值和定价方法的设计。

图1: 商业银行数据资产的生产机制

(二)商业银行数据资产的应用场景和价值显现

商业银行数据资产的流向或者说应用场景主要分为三个方向:商业银行自身的业务经营与运营管理,同业其他商业银行之间的数据资产市场,外部数据要素市场。

在商业银行自身的业务经营与运营管理过程中,相关数据资产的应用能够为商业银行提供更全面的决策信息支撑,创造更多的绩效提升机会。一方面,对行内各方面数据信息的整理和分析,便于总结经验、发现不足、挖掘潜力,进而在运营管理上实现流程优化,带来运营效率的提升,节约运营成本并提高管理服务能力。另一方面,在业务拓展和客户服务的过程中,相关数据信息能够提供更多可能的业务增长点,也能够增加商业银行对客户的了解进而优化其对客户的服务,在总体上促进商业银行经营绩效的提升。数据资产在改善商业银行自身的业务经营过程中体现出业务价值。

由于各商业银行在传统优势业务、客户群体、经营区域、监管要求、管理风格等方面存在诸多差异,某个商业银行个体在进行数字化的业务扩展和运营优化的过程中,可能需要其他同业商业银行的数据资产的支持,这就催生了商业银行间的数据资产市场,数据资产的价值就在银行间数据资产市场的交易场景中显现出来。

在由居民、企业、机构、政府等主体共同构成的数据要素市场中,商业银行一方面需要依靠该市场中的不同主体获取相关数据进行数据资产的生产,以及直接向其中的某些主体购买自身需要的数据资产,另一方面,商业银行基于自身的数据优势和行业经验,向该市场中的相关主体提供政策咨询、研究报告、理财规划、企业经营等方面的数据资产服务,其数据资产的市场价值也在交易中显现出来。

除了业务价值和市场价值以外,商业银行的数据资产本身还具有内在价值,即按照数据资产的技术标准,根据数据规模、数据结构、信息载荷等方面对数据资产的价值进行的判断。

图2: 商业银行数据资产的数据流向和价值显现环节

(三)商业银行数据资产的估值定价难点

商业银行数据资产的价值评估和定价分别属于两个不同的阶段流程,适用不同的技术方法和实施路径(欧阳文杰,2021)。鉴于商业银行数据资产的生产机制和数据特点,结合商业银行数据资产的应用场景和价值显现方式,对商业银行数据资产进行估值和定价会存在以下几大难点。

1.评价标准缺失或难以确定

针对数据资产的估值定价,虽然已经有部分行业协会和组织发布了一些工作指引,但是各家商业银行在对数据资产进行估值定价的过程中,大部分都是根据自己的业务需要来制定内部基本适用的评价方法和体系,缺乏统一的评价标准指引和系统的评价框架规制。从商业银行数据资产三个维度的数据特点来看,数据来源的广泛性使得数据资产的信息质量良莠不齐,数据内容的异质性导致数据资产的应用场景和价值显现方式更趋多样化,数据生产的复杂性造成数据资产生产成本核算的难度加大,而这些影响又进一步导致难以全面科学地确定商业银行数据资产价值的评价标准。

2.价值价格水平存在多维差异性和变化

首先,从时效性来看,商业银行数据资产的价值会随着时间的推移而发生变化,在时间变化的过程中,同一数据资产可能会升值也可能会贬值。其次,从不同权益主体的效用满足和价值评估来看,同一个数据资产,对商业银行自身、对其他商业银行、以及对其他有需求的市场主体来说,各个主体所给出的估值是不一样的。最后,从数据资产的应用场景来看,同一数据资产在不同的应用场景中会显现出不同的价值。

3.缺乏系统的技术方法和工具支撑

数据资产的大规模海量性和复杂性多样性,对用以评估数据资产的工具方法和应用技术提出了更高的要求。当前使用的数据资产价值评估和定价方法,主要来自会计学领域的资产评估方法,有少部分方法的使用还依赖于用户和专家等人工打分操作,缺乏系统性智能化的工具方法和技术集成体系,在技术标准上也缺乏统一的规范指引,导致数据资产估值定价的开展缺乏系统性的技术支撑。

4.交易定价所需的大流通市场还未成形

商业银行数据资产应用场景和价值显现的多样性和差异性,使得数据资产的卖方倾向于采用“价格歧视”策略,对同一数据资产实行差别化定价,商业银行数据资产的定价也只有在买卖双方的实际交易中才能确定,其影响因素包括供需双方的市场地位和议价能力,更重要的是需要一个具有较大规模和市场纵深的数据资产交易市场,用来发现数据资产的价格。但是从现实情况来看,这一交易定价所需的数据资产循环流通市场尚未成形。

5.产权保护和数据资产交易方式存在一定冲突

在商业银行数据资产的交易市场中,买方一般处于信息不对称的劣势地位,即对卖方手中的数据资产缺乏了解。对于数据资产的买方来说,其需要对卖方手中的数据资产进行内容和质量等方面的评估才能报出愿意接受的价格,但是由于数据资产具有可复制性,买方的交易前评估行为可能会盗取卖方的数据资产,造成交易结构的破坏和市场萎缩。在目前的交易方式上,数据资产的产权保护和交易前的资产评估存在一定程度的冲突,这也是数据资产市场交易活跃度较低的原因之一(赵越,2021)。

四、商业银行数据资产的估值定价方法、逻辑与系统构建

根据商业银行数据资产的数据特点、价值显现方式和估值定价难点,从构建商业银行数据资产的价值评价指标体系入手,针对不同的价值内涵和综合指标选择相对适宜的估值方法,再通过交易流程和交易场景设计,利用交易市场的价格发现机制实现定价,最后再系统阐述整套估值定价设计的逻辑架构和运行系统,并将相关数字技术嵌入运行系统。

(一)基于层次分析法构建价值评价指标体系五维模型

根据对商业银行数据资产特性的分析,梳理影响商业银行数据资产价值的核心因素,基于层次分析法(AHP)的分析原理指引,归纳出五个维度的一级指标作为评估商业银行数据资产的影响因素,并进一步将其细化分解为若干二级指标。这五个维度的影响因素包括:生产运营成本、内在价值属性、管理赋能表现、绩效提升能力、市场供求状况。

1.生产运营成本

商业银行拥有的数据资产是在其数据资产管理计划的指引下,经过数据来源搜寻、数据采集获取、数据存储、数据清洗、数据整理、数据产品开发、数据资产化管理与维护等环节,最终形成商业银行的数据资产并纳入商业银行的管理体系,一般由专门的后台部门负责运营管理。在这些生产环节的运转过程中,需要相关软硬件设备的支持、专业技术人员的开发和管理、经营模式和运营系统等方面的配套改革、人力资源的培训等,这些都将构成商业银行数据资产的生产成本。包括商业银行从外部购买的数据资产产品,也需要成本投入。

2. 内在价值属性

数据资产的数据含量、数据规模、可信程度、信息载荷、信息质量、应用时效、数据活跃度、技术标准的适用范围、信息转化的难易程度、与其他数据资产的组合关联度等数字技术属性,均会影响商业银行数据资产的内在价值,并进一步影响对其价值评估。

3.管理赋能表现

对于持续进行数字化转型的商业银行来说,不同的数据资产能够为其优化内部管理提供不同程度的赋能。将相关数据资产用于商业银行的内部管理活动,可以利用数据资产的数据信息分析商业银行运营管理的不足、提升空间和方向,提升商业银行的数据信息传输和转化效率,提高其内部管理的智能化程度,并在识别操作风险和管理漏洞方面提供预警,在提高商业银行的运营效率的同时,优化商业银行的整体服务体验。

4.绩效提升能力

商业银行使用数据资产来进行客户分析,对客户进行数字画像,以发现潜在客户和更好地挖掘客户的消费潜力。此外,利用数据资产来优化金融产品结构和丰富产品内容,为客户提供更具性价比的产品服务,以此来沉淀和维护客户关系,并积极拓展新的业务增长点。在业务扩展的过程中,数据资产的使用也能够在提供决策信息、营销模型开发、实施精准营销等方面发挥作用。对不同的数据资产来说,其能够为商业银行在业务发展过程中带来不同程度的新增客户和新增业务量,从而反映在商业银行财务报表上的绩效边际贡献也不一样,体现了不同数据资产的绩效提升能力差异。

5.市场供求状况

在数据资产市场,商业银行数据资产的供求状况包括市场竞争格局、数据资产的稀缺性、数据资产的权属关系、使用主体对数据资产的评价、数据资产的场景适应性和应用前景、政策法规对数据资产交易的规制、买卖双方的交易意愿等。这些供求状况的变化会直接引起商业银行数据资产市场的价格波动,影响商业银行数据资产的定价。

图3: 基于AHP的五维评估模型

(二)评估方法的选择

根据商业银行数据资产的主要应用场景类别和价值显现方式,将现有条件下的商业银行数据资产大致分为三种类别,并针对不同类别的数据资产选择适宜 的主要估值方法(见表1)。

第一种是基础自用型数据资产,该类数据资产来自于商业银行自身的管理运营活动,是一种基于自身的管理风格和运营经验而专门沉淀和开发的数据资产,商业银行主要将此类数据资产用于自身的运营管理赋能。由于该类数据资产所携带的商业银行个体属性较为显著,一般只适用于此商业银行自身的管理需要,其应用场景主要产生于商业银行内部的管理流程环节。因此,商业银行对其进行价值评估主要考察其生产成本,兼顾其他影响因子的价值杠杆作用。(见表1)

第二种是业务提升型数据资产,商业银行主要将该类数据资产用于经营业务的优化和拓展,目标在于提升经营绩效,直观表现为财务报表上资产和盈利的增加。对于该类数据资产的估值,可以主要采用收益法来评估,将该数据资产在未来年限中可能带来的收益增量折现加总,并与调节系数综合评价指数相乘。

第三种是市场交易型数据资产,商业银行主要将此类数据资产用于商业银行间数据资产市场和数据要素大市场中的交易,以获得货币化的价值变现。对于这一类数据资产,可以采用市场法进行估值,即从市场中选择与该类数据资产规格标准相似的、已经成功交易的可比资产的价格作为参照,辅之以综合评价指数作为修正系数,从而求得该数据资产的价值。

需要说明的是,以上三类数据资产的分类和估值方法的选择是在数据资产的主要应用场景下进行的,因为某些数据资产的可适用场景较多,商业银行的同一数据资产分类可能在这三种类型中切换,商业银行数据资产的估值方法的选择也并不固定。

表1: 商业银行不同类型数据资产的价值评估方法

(三)交易流通与定价

作为数据要素市场化进程的另一重要阶段,数据资产定价是在价值评估的基础上进一步深化数据资产的市场化,促进数据资产的流通交易,而活跃的买卖交易市场又是数据资产定价的动力支撑。对商业银行数据资产进行定价,其实就是如何更好的设计商业银行数据资产的交易流通机制,从而在供需平衡市场出清的交易条件下发现其数据资产的市场价格。

在银行间数据资产交易市场,由于交易双方的估值定价技术和资产交易风格相近,在满足其他交易条件的前提下,双方的数据资产交易过程相对比较顺畅。由于商业银行之间存在同业竞争,某些数据资产的交易可能带来业务竞争的威胁,在数据要素市场中各商业银行也存在市场竞争,其市场结构更偏向于寡头市场,商业银行之间的数据资产交易也存在一定的交易壁垒,在定价方面更倾向于采取协商议价的直接交易模式。

在商业银行与其他市场主体之间的数据资产交易市场中,尤其是商业银行与那些已经融入自身经营生态和产业链的市场主体之间,其数据资产交易更具互补性和共生性,商业银行有动力去帮助相关市场主体进行数据资产估值和定价。以信贷发放和资金定价为例,一方面,商业银行的信贷产品定价可能需要企业的数据资产作为评估辅助,利用企业数据资产中的生产经营信息和行业发展状况来判断信贷风险,以提高对相关产品定价的科学性,因此催生商业银行向企业购买数据资产进而评估企业数据资产并实施交易的需求。另一方面,商业银行可以允许企业以数据资产作为抵押质押标的来获得贷款,而在此过程中对企业的数据资产标的进行估值定价,以此估值定价来确定信贷额度和期限。因为数据资产的价值是动态变化的,商业银行可以根据企业数据资产的价值变化来设定浮动利率和灵活的信贷期限。在这样的信贷评估模式下,企业数据资产的估值定价就可以有一个银行发布的参考值,从而为没有条件的企业提供数据资产估值定价的参考,这又能促进企业间数据资产市场的发展,银行所接受的企业数据资产抵押质押标的又能获得一个活跃的交易市场,不仅有利于市场化定价和管理,在出现债务违约时,商业银行也能更快地处理相关数据资产,实现不良资产的出清。

(四)逻辑流程与系统架构

结合五维评估模型、评估方法选择和交易定价思路,针对商业银行数据资产的估值定价,设计一套实施操作的逻辑流程和系统架构(见图4)。该系统架构以联邦学习技术为中心,以融合区块链和智能合约技术的交易系统为基础,为商业银行数据资产估值定价和交易流通提供中心调度和技术支持。

联邦机器学习(Federated Machine Learning)技术,又称为联邦学习技术,其在大数据分析和模型处理方面最大的功能特点,就是不需要将各主体拥有的数据信息上传集中到某一公共服务器,而是利用算法模型分发功能将不同的算法模型分发至各拥有数据的主体[15],在不发生数据权属和存放位置迁移的条件下,通过中心服务器的协调功能组织各参与主体共同优化和训练共享模型,再将模型发回中心服务器处理,最终得到基于各方数据和算法模型的数据处理结果[16]。
在图4所设计的系统架构里,联邦学习中心服务器根据五维模型评估打分、数据资产分类处理、评估方法选择和计算操作等评估流程进行算法学习,制定出适合商业银行数据资产估值定价的算法模型。商业银行将所拥有的数据资产标的录入评估系统并进入估值定价程序,中心服务器将估值算法发送至商业银行的数据资产库,开启对标的资产的估值,并将最终的估值结果和定价参考发回商业银行,商业银行以此作为数据资产交易的报价参考。

在商业银行数据资产交易的另一端,即数据资产买方,其根据自身的场景应用需求将相关模型算法发送至中心服务器,中心服务器根据对标的资产的机器学习结果对买方的算法进行处理,并将标的数据资产的产品效用评估结果反馈给买方,买方据此开展询价和交易。在该技术流程的安排下,买方在进行交易支付之前就能获得对标的数据资产的效用评估,但又不能获得标的的相关权属和进行复制,降低了买方的信息不对称劣势,卖方也不用担心数据资产的产权保护受到破坏,也避免了交易中道德风险的发生。

在买卖双方达成交易意愿的情况下,通过数据资产交易系统进行产权交割,从而使得商业银行数据资产标的获得市场化的定价。在区块链技术的支持下,买卖双方在一段时间内的系统交易信息,都能够通过密码学算法被计算和记录到某个数据块中,进而生成属于该数据块的属性标识用于链接其他数据块与核查验证,以此来保证商业银行数据资产交易的真实性合法性,为相关交易监管提供技术支持。区块链的私钥和密钥双认证技术,又能够在数据资产交易过程中验证买卖双方的身份,促使相关交易环节能够在约定的条件下向前推进。在对数据资产进行算法应用和模型开发过程中,区块链所生成的数字时间戳能够有效记录开发操作和交易的相关时序[17],从而为数据资产的更新和后续权属界定提供识别参照,有利于数据资产产权保护的持续跟进。通过区块链实施智能合约技术,能够为商业银行数据资产交易搭建虚拟的执行环境和交易框架,当约定的交易条件得到满足时,产权交割和对价支付等交易协议内容将自动执行,构建智能化和规范的交易秩序。

图4: 商业银行数据资产估值定价的逻辑流程和系统架构

五、结论与建议

经过研究,得出五个方面的主要结论:第一,商业银行在数据资产市场建设中具有重要地位,在数据资产估值定价过程中能够发挥中心作用;第二,商业银行数据资产的估值定价存在诸多难点与挑战;第三,在对商业银行数据资产进行功能性分类的基础上,选择适应性的评估方法,才能提高评估的科学性和有效性;第四,完善的数据资产交易市场和交易系统,是实现商业银行数据资产有效定价的关键条件[18]。第五,联邦学习、区块链和智能合约等新型数字化技术的应用,是克服商业银行数据资产估值定价难点的重要手段。

提出以下政策建议:一是鼓励商业银行在数据资产市场建设和数据资产估值定价技术开发方面主动而为,利用自身各方面优势去推动数据资产市场的交易活跃和环境优化;二是建立市场规则和技术标准,制定相关法律法规与监管要求;三是大力发展场景金融和开放银行等新金融业态;四是加强数字化技术和金融科技的开发与应用;五是建设高标准的开放型数据资产交易市场。
 

2022年是传统产业加速数字化转型的一年,也是数字经济全面发力的一年。在顶层设计牵引下,围绕疫情常态化的宏观环境,产业数字化成为数字经济发展的主战场。以人工智能、云计算、区块链等为代表的数字科技,与产业转型深度结合,构建新型生产要素和生产力,为数字经济发展带来关键助力。在这一过程中,无论是科技公司还是转型中的传统企业,行业标杆案例不断涌现。在数字科技应用全面发力的背景下,2022年,零壹智库联合《陆家嘴》、《价值线》推出第四届数字科技兵器谱系列榜单评选【点击了解详情】
 

相关文章


用户评论

游客

自律公约

所有评论


资讯排行

  • 48h
  • 7天


专题推荐

more

《陆家嘴》交流会第6期(共14篇)

2022第一届中国数字科技投融资峰会(共44篇)

2019年数字信用与风控年会(共15篇)

中国零售金融发展峰会(共18篇)



耗时 194ms