一、企业背景与业务目标
1. 企业背景和业务目标
企业主营业务为证券投资，主要方向为A股股票，通过专业的投研体系，运用多种策略（主观+量化，趋势+反转），用自有资金进行投资，目标实现资产增值
2. 业务现状与差距
业务人员通过处理分析多个来源的数据，然后做出交易决策。要求数据获取及时，清洗处理快速准确及时，指标需要口径统一
现阶段（初创阶段）完全依靠人工检索下载各个网页（数据源）的数据，用EXCEL等工具人工计算指标，再用于决策。而大型头部企业，有自己的IT团队，可以通过开发和部署大型项目，搭建定制化的投资分析平台，甚至引入AI决策工具，对市场信息的获取和反馈都远超小公司。
3. 工具定位与价值
我们将FineBI定义为数据中台，使用数据源功能整合多个数据源，在FineBI用预设的工具中进行数据清洗，计算，生成看板后供业务人员直接使用
FineBI的模块化功能免去了小企业重复造轮子的麻烦，低代码则满足了用户快速开发的需求，超高的自由度保证了作品天花板足够高。通过这些模块化的功能，用户能够快速拼装出定制的看板，且开发和运维成本极低（相比于自研系统），这实际上是一种技术平权。让企业的预算能够更多的向投资算法和模型上倾斜，鼓励探索和创新
二、业务痛点
业务场景还原
技术层面
多来源数据收集和入库
数据清洗和指标计算
根据指标进行分析决策
业务层面
每日估值报告，需要对净值计算（基于申购赎回数据，当日交易数据，持仓资产行情数据，快速计算出当日净值）
基于行情数据分析，进行买卖点跟踪
业务痛点说明
技术层面
不同数据源的登录方式，账号密码不同，每天更新浪费时间，且响应速度慢。
对于每天3点之后才拿到成百上千条交易数据，上万条的收盘行情数据，业务人员在没有BI辅助下，需要花至少1小时以上时间完成估值计算，指标更新等工作
业务经常会设计出新的指标（因子），且需要每日都快速准确的计算。用EXCEL公式搭建指标计算输出结果，公式计算复杂，响应更新慢，因子输出延迟可能导致因子还没做出来就已失效。
将所有计算指标用图表集中呈现
业务层面
估值报告净值计算的计算逻辑固定，但需要的数据繁杂，且时效性要求高（估值报告一般在T+1日早上就要出具）
痛点量化影响
收集数据的工时
指标计算逻辑开发的时长
每日指标值计算的准确性
输出估值报告的时间
三、核心方案
1. 数据源说明
1.1 持仓
持仓数据是记录当前持有的各类资产明细，主要维度是标的代码，标的类型，持仓数量，持仓成本，当日收盘价，当日市值等
1.2 行情
在股票投资场景中，主要使用的是每日股票价格的数据。粒度根据不同需求，极端情况下业务会需要细到每个tick（即每笔交易后的变动）。常见的是使用每日数据
1.3 交易数据
交易员每日进行的买入/卖出操作
1.4 申购赎回数据
在基金开放日，份额持有人会进行申购/赎回，基金会进行分红。
这些操作都会影响基金的份额，净值等关键参数
2. 指标体系构建
2.1 持仓估值模块
基于持仓数据，生成资产和负债明细，基于净资产和原始资本计算出单位净值。
净值曲线支持下钻，可下钻查看每日的估值数据
在此基础上，基于多日单位净值绘制净值曲线
在输出的看板上，展示顶层的资产净值，单位净值，收益额，收益率等指标。
并展示最新一日的持仓情况，和当日的交易记录，持仓记录和交易均支持跳转查看历史全部数据
2.2 风控模块
基于持仓的历史行情数据，计算出单位净值的最大回撤，和最大回撤天数。（一般基金的风控中对于这个指标都有严格要求，若突破该值风控会介入要求平仓/整改）
2.3 预测模块（核心）
基于行情数据，设计分析指标，提示业务人员的买卖点。供业务人员在执行交易时参考。
在本次的案例中，我做了一个简单的两重滤网模型，即综合根据趋势指标EMA和震荡指标RSI来判断买卖点。仅作功能展示。
该模型基于埃尔德的三重滤网交易系统简化而来（去除第三重的成交价格过滤），在一些场景下可以准确的预测最佳买入/卖出点
如下图所示，在这个标的中，指标基于过往数据，提示在0629进行买入，而后续这个标的价格如预期般上涨，提示的买点是阶段性的价格地点，也就是最佳买点。
本模块基于埃尔德三重滤网简化模型，EMA捕捉中期趋势方向，RSI识别超买超卖区间，当前为功能演示框架，实盘需结合更多因子校准。
3. 决策动作与闭环
风控
最大回撤 高于 额定阈值的，触发风控提示，要求业务复盘交易策略并更新预测模型，甚至暂停
单位净值 低于 0.95 触发强平预警
单位净值 低于 0.9 触发强平，关闭业务买入权限（BI生成提示推送交易系统中来实现强制关停）并平仓
交易决策
对于提示买点的数据，交易员可在第二日择机买入
对于提示卖点的数据，交易员可在第二日择机卖出
4. 作品模版链接：
https://next.finebi.com/decision/application/ed1fd696a9ff48538255b4b012160b
四、价值量化
1. 核心业务价值
核心的预测模型是企业的最大竞争力。通过提升模型的预测准确率，从而大大提高企业的盈利能力
2. 管理效率价值
对于基层用户，系统将人力从重复做表，算数据中解放出来。集中精力在主观决策上。再利用业务主观决策框架的更新进一步迭代模型的预测能力。
管理层则可以只管查看业务的进展情况（净值，收益等），并通过实际预测效果来评估当前模型的预测能力
3. 数字资产价值
收集的行情数据可被用于AI预测模型的训练
整理的历史持仓数据（和交易数据）可用于交易复盘
五、总结沉淀
1·数据中台的搭建在金融业务场景中可以有效提高业务的工作效率。而帆软产品的技术平权为更多中小企业提供了自研系统之外的另一选择。
本方案的核心价值，不仅在于用FineBI替代了Excel手工台账，更在于构建了一条"经验→指标→模型→决策→反馈"的完整闭环。业务人员的主观判断——无论是对价格趋势的判断、对价格底部/顶部的敏感度，还是对风险的解读——都被拆解为可量化、可验证、可迭代的指标体系。这些指标沉淀为模型的输入参数，模型的输出又反向指导交易决策，而每一笔交易的盈亏数据最终回流至系统中，成为优化模型的养料。
由此，依赖个人经验的"手艺活"逐步转化为可复用、可传承、可规模化的数字资产。对于初创型投资机构而言，这恰是突破资源瓶颈、与头部机构同台竞技的关键路径：当算法能力成为行业基础设施，差异化的竞争力便不再取决于IT团队的规模，而取决于业务认知的深度与模型迭代的速度。
