UniCredit Bank Austria 开发并快速部署统一的企业级市场数据引擎

以前，该银行的各个业务单位存储了相同市场数据的不同版本，并且使用不同的系统计算衍生数据。这种方法增加了维护开销，而且数据和处理算法的不一致也会导致高运营风险。

Schweighofer 说：“我们需要企业级的数据管理方法，以确保整个集团范围内拥有一致的结果和可靠的综合财务报表。”

该银行还需要构建用于清理和计算衍生数据的处理引擎。他们希望涉及市场、运营和交易对方风险管理、资产负债管理、市场整合检查以及资本充足性的各个团队能够访问这些数据。最后，为了使遍布欧洲的子公司可以进行访问，UniCredit Bank Austria 希望开发用于访问市场数据引擎的 J2EE 框架。

UniCredit Bank Austria 使用 MATLAB和 MATLAB Compiler SDK™ 开发了 UMD，并将其集成到银行的 Web 基础架构中。他们选择这些工具是因为他们希望构建专有系统，熟悉风险状况以及对交易数据的再评估功能，并且在银行的其他环节使用 MathWorks 软件。

首先关键的一步是清理实时记录数据——每天从各个市场数据供应商处接收的记录多达 1 亿条，涉及 20,000 多个金融工具。该业务团队借助 MATLAB 开发的算法可识别异常情况和缺失的数据，并可以通过插值或使用上次已知的正确数据对这些情况和数据进行更正。

他们还开发了用于计算即时和收市后衍生市场数据（包括企业债和国债信用价差曲线、波动面、通胀互换和零息收益率曲线）的算法。

借助 Optimization Toolbox™ 优化工具箱，该团队通过预测结果与市场实测结果之间的误差函数的最小化来校准模型。

借助 Financial Instruments Toolbox™ 固定收益工具箱来计算债券收益率，并使用 Financial Toolbox™ 金融工具箱来执行远期汇率和短期利率期货迭期计算。

然后，依据历史市场数据和该银行使用的现有算法对这些计算结果进行了后验测试和验证。

在该业务团队验证算法后，IT 团队使用 MATLAB Compiler SDK 将 MATLAB 程序生成基于 MATLAB 的 Java^® 类。随后，他们将这些类部署到应用程序服务器，并为进行企业部署测试了该集成系统。

目前，整个银行有几百名财务经理和交易员访问 UMD，以进行市场整合、风险分析、报告和交易。