[法规规划]十点完整解析《金融数据资产估值与交易研究》报告，附全文下载

最新推荐文章于 2024-06-15 07:24:18 发布

yyri

最新推荐文章于 2024-06-15 07:24:18 发布

阅读量941

点赞数 23

分类专栏：数据资产化大数据大模型文章标签：金融大数据资本化数据数据资产化

本文链接：https://blog.csdn.net/yyri/article/details/136625128

版权

数据资产化同时被 3 个专栏收录

47 篇文章 6 订阅

订阅专栏

大数据

47 篇文章 4 订阅

订阅专栏

大模型

8 篇文章 0 订阅

订阅专栏

首先，介绍一下北京金融科技产业联盟。

北京金融科技产业联盟英文全称Beijing FinTech Industry Alliance。联盟是在中国人民银行指导下，由中国金融电子化集团发起设立，旨在推动落实金融科技相关政策要求，促进我国金融科技良性可持续发展。

联盟现有会员单位390余家，目前已设立金融数字化转型工作、分布式数据库、区块链、人工智能、监管科技、创新应用、开源、数据、信息基础设施、5G、量子技术等11个专业委员会。依托各专业委员会，联盟组织会员单位开展标准制定、产业研究、联合技术攻关、人才培养、成果推广等工作，打造集政、产、学、研、用、宣为一体的综合性金融科技联合创新工作平台。

标准化工作方面，参与制定中国人民银行发布的金融行业标准20项，组织制定并发布联盟团体标准26项，连续三年担任企业标准“领跑者”评估机构，评估“商业银行应用程序接口服务”企业标准400项，评选企业标准“领跑者”38项。

如网站所示，联盟的理事长单位目前是工行。副理事长单位包括中国金电，农行，常务理事长单位也都是国内金融圈的知名企业。联盟的影响力毋庸置疑。

报告发布背景

中国人民银行发布的《金融科技发展规划（2022—2025年）》中，明确强调了数据要素的重要性，并指出了其在金融业中的广泛和深入应用潜力。规划旨在加强跨机构、跨市场、跨领域的综合数据应用，构建多维度数据基础，同时积极探索多元化数据共享和权属判定机制，以优化数据要素资源的配置效率。鉴于金融业的数据密集型特性，对数据资产估值和交易的研究将促进数据资产定价机制的创新与实施，进一步发挥数据定价在价值衡量中的作用，为数据要素市场的建设和发展提供有力支撑。

联盟数据专委会组织成员单位开展数据资产估值和交易研究，由恒丰银行牵头，联合工商银行、中国银行、浦发银行、浙商银行、建信金科、同盾科技、神州信息、富数科技、蚂蚁科技等成员单位，共同编制了《金融数据资产估值与交易研究》，现面向行业发布研究报告全文。

这份报告紧密围绕金融数据资产的估值与交易核心议题，全面深入地探讨了数据资产确权、估值、入表及交易等多个关键领域。报告创新性地提出了数据资产估值与入表的新思路和新方法，具有高度的前瞻性和实用性。报告依据数据资产价值的构成逻辑，将数据资产价值细分为“投入价值”和“业务价值”两大维度进行评估，从成本效益的角度出发，精确量化了数字化效益，为有效推动数据资产价值的释放提供了宝贵的参考依据。

一。报告正文

这里我们选取重要的部分章节，如果需要全文可以在公众号后台回复“金融数据资产估值”下载。

报告在第一章介绍了报告的研究背景，第二章介绍了确权相关内容，在第三节提出了金融机构的确权机制。

二。金融机构的确权机制

金融机构的数据资产确权机制在近年来受到了越来越多的重视，这主要源于数据资产在金融机构运营中的核心地位以及随着数字化转型的不断深入，数据资产的价值日益凸显。总结来说，文中提到的金融机构的数据资产确权机制主要包括以下几个方面：

首先，数据资产认定是数据资产确权机制的基础。这一环节的主要任务是明确数据资产的管理对象和管理范围。通过资产盘点，金融机构能够全面了解自身拥有的数据资产情况；资产审核则是对这些数据进行质量、价值等多方面的评估；资产发布是将经过审核的数据资产正式纳入管理范围；而资产维护则涉及数据的更新、修正和安全管理，确保数据资产的准确性和完整性。

其次，数据资产的确权是数据资产管理的核心环节。确权的目的是明确数据资产的权属划分，保障数据资产相关方的权利。这包括数据的持有权、使用权和经营权等。持有权指的是数据的原始所有者对其拥有的数据资源享有的权利；使用权则是指对数据进行加工、分析、利用的权利；经营权则是将数据作为产品或服务进行经营的权利。通过明确这些权利，可以确保数据在金融机构内部以及与其他机构之间的流通和使用中，各方的权益得到保障。

此外，金融机构在建立数据资产确权机制时，还需要考虑数据产权运行所需的基础设施支撑。这包括建立完善的数据管理平台，提供数据存储、处理、分析和共享的功能；同时，还需要建立数据治理机制，制定数据使用和管理规范，确保数据的安全、合规和有效利用。

最后，文中还提到金融机构在推进数据资产确权进程时，应以数据资产管理体系建设为基础。这包括构建完善的数据资产管理制度、流程和标准，确保数据资产管理的规范化和标准化；同时，还需要加强数据资产管理人才的培养和引进，提升金融机构在数据资产管理方面的专业能力。

包括三条路径：

1.编制数据资产目录

2.开展数据资产盘点

3.建立数据资产权属登记机制

第三章到第五章分别介绍了数据资产的评估，入表和交易。

三。首先，还是重要的估值方法。

数据资产估值方法主要包括两大类：以货币度量的估值方法和以非货币度量的估值方法。

在以货币度量的估值方法中，又可细分为传统资产评估方法和基于期权模型估值法。传统资产评估方法包含成本法、收益法、市场法三类经典估值方法。成本法主要是基于数据资产在估值基准日的重置成本中扣减价值损耗来得到的数据价值，同时考虑到数据资产价值往往大于成本的特点，通过收益率和综合调节系数进行价值调整。收益法则侧重于根据数据资产未来可能产生的收益来评估其价值。市场法则是通过比较市场上类似数据资产的交易价格来确定其价值。

另一类是基于期权的估值模型，包括B-S模型法、最小二乘蒙特卡洛模拟法等衍生方法。这类方法通常用于处理包含实物期权的数据资产，如决策者可以在数据资产收益到期前随时对数据资产进行处理的情况。最小二乘蒙特卡洛模拟法就是其中的一种，它采用模拟方法求解任意时刻每条模拟路径上标的资产价格，最后以无风险利率折现估值。

在以非货币度量的估值方法中，Gartner提出的内部价值（IVI模型）、业务价值（BVI模型）和绩效价值（PVI模型）三类模型最具代表性。这些方法更注重从数据资产对企业的内部运营、业务发展和绩效提升等方面的贡献来评估其价值，而非直接以货币形式进行度量。

在实际应用中，可以根据数据资产的特点和评估需求选择合适的方法进行评估。

为了下一步进行估值方案设计，首先要对数据资产进行分类。

四。数据资产分类

报告将数据分为了获取类，存储及传输类，管理类和应用类四个类别。

五。估值原则

基于此，提出了四点估值原则，即

整体性原则
不重复估值原则

3.数据可取原则

4.成本效益原则

六。估值方案

最后，在本章提出了估值方案的设计。

分为了三种情况，即成本法，收益法，市场法。

简单讲，成本法是看过去，收益法看未来，市场法看当下。我们在这里只是把三类方法的基本思路做一下阐述。具体内容较多，在这里不再赘述。如果需要全文可以在公众号后台回复“金融数据资产估值”下载。

首先，成本法。

成本法估值主要基于数据资产的投入成本来估算其价值。这种方法充分考虑了数据资产在获取、存储、加工、管理及应用全生命周期中的相关成本投入。在运用成本法估值时，首先会统计数据资产从统计周期起始时间到评估基准日所发生的总成本，这包括了获取类、传输与存储类、管理类及应用类数据资产的各项成本支出。

然而，成本法并非仅仅简单地将这些成本累加得出最终价值。由于数据资产的价值往往超过其原始成本，因此需要通过一系列系数对数据资产的价值进行修正和调整。这些系数包括重置系数和数据效用综合调节系数。重置系数用于考虑成本重置因素，即随着时间的推移，相同的资产可能需要不同的成本来重新获取或生产。而数据效用综合调节系数则用于反映数据资产的实际效用和价值，考虑其在实际应用中的效果和作用。

最终，成本法估值的公式可以表示为：P=HC×S×U，其中P为评估的数据资产投入价值，HC为数据资产历史成本，S为重置系数，U为数据效用综合调节系数。通过这个公式，我们可以得到一个既考虑了原始投入成本，又反映了数据资产实际效用和价值的估值结果。

总的来说，成本法估值是一种全面、细致的资产估值方法，能够综合考虑数据资产的全生命周期成本和实际效用，为数据资产的定价和交易提供有力的支持。

第二，收益法

收益法估值方法基于预测资产未来的收益，并选取适当的报酬率或资本化率将未来收益折现至估价时点，进而累加得到资产的合理价值。这种方法的核心在于对可计量的预期收益和风险，以及可确定的收益年限的准确把握。

在应用收益法估值方法时，主要涉及的要素包括：数据资产未来的预期收益、折现率以及合理的收益期限。预期收益通常基于对历史数据的分析和对未来市场趋势的预测得出，折现率的选择则需要考虑市场利率、风险溢价等因素，而收益期限则取决于资产的性质和预期使用寿命。

对于应用类数据资产，收益法估值方法可以按照业务领域进行划分，追溯业务价值产生来源，以合理设计估值的底层指标体系。这有助于更准确地反映数据资产对业务价值的贡献，提高估值的准确性和可靠性。

收益法估值方法的优点在于能够充分考虑资产未来的收益能力，体现了资产的价值在于其能带来的未来经济利益。同时，该方法也具有一定的灵活性，可以根据不同的资产类型和市场条件进行调整和优化。然而，该方法也存在一定的局限性，如对未来收益和折现率的预测可能受到主观因素的影响，以及对于某些难以预测未来收益或收益不稳定的资产，可能难以应用该方法进行准确估值。

第三，订单法

订单法估值方法结合了订单管理模式与市场法思路的资产评估方式，核心思想是将企业内部的数据资源调用需求作为评估数据资产潜在外部价值的基础，以此反映数据资产在业务运营中的实际价值。

在订单法估值中，首先，后台数据部门将前台业务部门视为客户，根据业务部门提出的数据需求进行数据供给。通过这种方式，部门之间的数据订单传递了价值流、服务流和信息流，提高了部门间数据供给的质量与效率，并增强了部门间的敏捷协同。

具体来说，订单法通过参考同类型数据资产的行业代加工对价和订单量来估算数据资产的潜在外部价值。这种方法充分考虑了数据资产在市场中的潜在交易价值和业务需求，使得评估结果更加接近实际市场情况。

值得注意的是，订单法评估的潜在外部价值并不直接计入数据资产的总价值。这是因为成本法和收益法评估的数据资产价值是全量价值，已涵盖订单法评估的数据产品。只有当数据资产实现外部交易时，其外部价值才会被计入总价值。

七。数据入表方式

报告提出了三种入表方式，即无形资产，数据资产，第四张表。

首先，第一种入表方式是基于现行的会计准则体系。这种观点认为，由于现行的准则体系相对完备，数据资产入表可以在这个框架下进行规范。也就是说，尽管数据作为数字经济时代的新型生产要素，不适合直接套用现行准则，但仍可以借鉴现有的会计准则原则，对数据资产进行适当的确认、计量和列报。

其次，第二种入表方式可能更侧重于数据资产的特性，比如其价值评估方式。这种方式可能会结合数据资产的价值评估体系，探索适合数据资产的入表路径。例如，根据数据资产的不同特性，可能会采用成本法、收益法或订单法等方式进行数据资产的计量，并在入表时充分披露这些分析和测算过程。

最后，第三种入表方式可能是创新性地搭建数据资产表架构。这种方式旨在解决现有主流入表方式可能存在的弊端，通过创新的方式反映数据资产的投入价值与业务价值。在这种方式下，数据资产表可能会纳入多种评估方法的分析、比较与测算过程信息，同时结合非财务信息，以实现数据资产的全面、准确的入表核算与披露。

八。数据交易

文中重点对可行的数据交易模式进行了阐述。

一、按照交易场所划分

这一大类主要将数据交易模式分为场内交易和场外交易两种小类。

场内交易：类似于证券交易，交易双方在数据交易所内进行数据资产的发布与撮合，最终完成交易。这种模式对构建合规有序、价格稳定、全面监管的数据资产交易市场具有积极意义。然而，目前场内交易仍处于起步阶段，面临交易流程复杂、定价机制缺乏等挑战。
场外交易：与场内交易不同，场外交易的交易方式、成交价格、支付途径由交易双方自行决定，无需在交易所或管理部门备案。这种模式的灵活性较高，但价格不透明，存在潜在的风险和问题。

要点：场内交易注重规范和监管，而场外交易则更强调灵活性和自主性。

二、按照权利转移划分

这一大类主要根据数据交易中发生的权力转移来划分交易模式。具体可以细分为数据持有权交易、数据使用权交易等。

数据持有权交易：涉及数据资源的所有权转移，主要关注数据的原始来源和归属问题。
数据使用权交易：涉及对数据的加工和使用的权利转移，主要关注数据的增值和应用。

要点：按照权利转移划分的数据交易模式更侧重于数据的产权保护和利用，有助于明确各方在数据交易中的权益和责任。

三、按照数据类型划分

这一大类主要根据数据类型来划分交易模式，分为原始数据和衍生数据交易。

要点：按照数据类型划分的数据交易模式更关注数据的特性和价值，有助于根据数据类型的特点选择合适的交易方式和策略。

不同大类之间的区别：

交易场所的不同决定了交易的规范程度和监管力度。场内交易更规范，但可能限制灵活性；场外交易更灵活，但可能增加风险。
权利转移的不同反映了数据交易中各方权益和责任的不同。不同的权利转移方式对应着不同的交易目的和策略。
数据类型的不同则决定了数据的价值和特点，进而影响交易模式的选择和效果。

综上所述，文中提到的三大类数据交易模式各具特点，适用于不同的场景和需求。在实际应用中，可以根据具体情况选择合适的交易模式来实现数据的价值最大化。

九。技术支撑

数据交易必然涉及到数据安全和隐私保护，文中主要提到了去隐私化和协同计算等技术。

去隐私化技术主要是为了保护数据交易中的个人隐私信息，确保在数据使用和交易过程中，个人隐私不被泄露或滥用。这种技术通过一系列方法，如数据加密、匿名化、差分隐私等，对数据进行处理，使其在不暴露个人敏感信息的前提下，仍然能够保持数据的可用性和价值。通过去隐私化处理，数据可以在保障隐私的同时，实现合规的交易和使用。

协同计算技术则是为了解决数据交易中的计算资源分配和数据处理问题。在数据交易中，涉及大量的数据处理和分析工作，需要消耗大量的计算资源。协同计算技术通过优化计算资源的分配和利用，实现数据的高效处理和分析。它可以将计算任务分配给多个计算节点共同完成，提高计算效率；同时，通过协同计算，还可以实现数据的分布式存储和处理，提高数据的安全性和可靠性。

去隐私化技术

包括加密和脱敏。