導言：近年來石油石化行業(yè)經歷了國際油價低位震蕩、傳統業(yè)務增長模式飽和、環(huán)保壓力加大及新能源替代等多重挑戰(zhàn)，利用互聯網技術和互聯網思維培育新的競爭優(yōu)勢和發(fā)展動能，應成為該行業(yè)轉型升級的重要途徑。本文將對大數據及人工智能技術在國際石油貿易領域的應用現狀及發(fā)展趨勢進行一些介紹。

一、“互聯網 +”推進傳統油氣行業(yè)融合創(chuàng)新

2016 年年初，隨著谷歌公司旗下的人工智能程序“阿爾法狗”橫空出世，在不到 1 年的時間內所向披靡橫掃世界圍棋界，人工智能、深度學習、大數據、云計算等迅速成為大眾耳熟能詳的熱門詞匯。隨著我國經濟發(fā)展進入新常態(tài)，經濟增長的驅動力正在發(fā)生深刻變革，互聯網日益成為創(chuàng)新驅動發(fā)展的先導力量，人工智能、大數據、云計算的熱潮已經或正在改變眾多行業(yè)的游戲規(guī)則、企業(yè)的經營生態(tài)，以及大眾生活的方方面面。

近年來石油石化行業(yè)經歷了國際油價低位震蕩、傳統業(yè)務增長模式飽和、環(huán)保壓力加大及新能源替代等多重挑戰(zhàn)，利用互聯網技術和互聯網思維培育新的競爭優(yōu)勢和發(fā)展動能，應成為該行業(yè)轉型升級的重要途徑。未來，大數據將和地下資源一樣，成為石油石化企業(yè)“掘金”的富礦。誰有能力挖掘和分析大數據中蘊含的業(yè)務機會，洞察客戶需求變化，建立起基于大數據分析的市場交易和避險能力，誰就將會搶占產業(yè)競爭優(yōu)勢地位的先機。這里筆者將對大數據及人工智能技術在國際石油貿易領域的應用現狀及發(fā)展趨勢進行一些介紹。

二、國際石油貿易領域信息化應用現狀及技術發(fā)展趨勢

2.1　國際石油貿易領域信息技術應用的 3 個階段

由于國際石油貿易具有經營風險大、資金密集度高、經營環(huán)節(jié)復雜、期貨和實貨兩個市場協同運作、對市場和經營數據的時效性和準確度要求極高等特點，超出了其他傳統行業(yè)對信息處理的要求，使得高效集成的信息化平臺成為業(yè)內企業(yè)關乎生死存亡的“剛需”，加之企業(yè)普遍資金實力較為雄厚，促使企業(yè)一直以來都是信息技術企業(yè)級應用的先驅，也是最積極的開發(fā)者和使用者。歷史上，國際石油貿易領域對信息技術的應用大致可分為如下 3 個階段。

2.1.1　第一階段：桌面客戶端程序 + 中央數據庫的傳統數據庫時代

國際石油貿易行業(yè)的 ERP 系統被稱為 ETRM系統（Energy Trading and Risk Management）。早在 20 世紀90 年代初，當 ERP 系統對于大多數中國企業(yè)還僅僅是個模糊的概念時，國際石油貿易領域的先驅企業(yè)便已為業(yè)務發(fā)展需要，踏上了企業(yè)級應用的研發(fā)之路。

1992 年，花旗銀行使用 Visual Basi+SQL Server 架構開發(fā)了業(yè)內首個ETRM系統，隨后近 30 年，業(yè)內企業(yè)普遍采用類似的桌面客戶端程序 + 中央數據庫架構，或外購或自主研發(fā)步入了信息化時代。

2.1.2　第二階段：網頁版客戶端 + 分布式數據庫時代

2008 年金融危機使得國際油價從黃金10年的牛市高峰迅速跌落，企業(yè)的盈利能力和傳統經營方式遭受挑戰(zhàn)，國際石油貿易領域的盈利模式和交易方式日趨復雜，企業(yè)內部也有了進一步挖潛增效的要求。傳統的 ETRM 由于效率低下已無法滿足企業(yè)需求，恰逢信息技術獲得長足發(fā)展，網頁版客戶端 + 分布式數據庫成為企業(yè)更為青睞的架構。

2.1.3　第三階段：人工智能 + 大數據 + 物聯網的“互聯網 +”時代

2014—2016年期間，國際油價再次從100美元/bbl以上跌落低谷，與此同時“阿爾法狗”開創(chuàng)的人工智能時代震撼世人，互聯網企業(yè)呈幾何級數增長，促使業(yè)內意識到面對風云變幻的市場，亟須通過更高的技術手段來提高風險控制和預警體系能力，提前掌握風險動態(tài)，應用大數據和人工智能技術實現風險資產的實時全量監(jiān)控，提高交易能力，提升交易信息的搜集、清洗和分析能力，以捕捉潛在的套利機會和新的業(yè)務增長點。

2.2　國際石油貿易領域信息化應用現狀

國際石油貿易領域的信息化應用一直以來存在兩條主線：一條是 ETRM 主線，以收集整合管理內部數據為主，旨在提升企業(yè)內部執(zhí)行效率、提升風控預警能力。這條路線國際石油貿易領域的企業(yè)介入較早，已形成諸多成功案例。比較成功的有維多公司（Vitol，全球四大大宗商品貿易公司之一）自主開發(fā)的Vista ETRM 系統，維多公司憑借該系統提供的強大信息共享和整合能力，在石油國際貿易市場叱咤風云數十載，幾乎從無敗績。另一方面投資銀行在油價黃金十年期間深度介入石油的期貨、期權、場外掉期等衍生品交易，也擁有市面上最好的 ETRM 系統，其中的佼佼者當屬JPMORGAN( 摩根大通銀行 ) 自主開發(fā)的Athena（雅典娜）系統，JPMORGAN 憑借 Athena 系統強大的風控能力，成功躲過 2008 年金融海嘯的侵襲，成為當時為數不多逆勢盈利的大型投資銀行之一。

另一條主線是近年來興起的人工智能交易主線。自動交易已經在全球金融市場上廣泛應用，最近5年里，逐漸有些公司將人工智能技術應用到模型運算中，通過模型的自主學習，開始進行帶有人工智能算法的自動交易。自動交易最主要應用在股票市場和外匯市場，大部分公司能有較為不錯的市場回報。最近幾年一些基金公司和投行將自動交易引用到證券和信用領域，但是到目前為止沒有能夠得到穩(wěn)定的收益。能源市場應用自動交易的基金并不是很多，主要是由于能源市場產品是有時間結構的，基本面的變化會對價格結構產生影響，模型的套利應用實踐效果不佳，僅有個別銀行依然利用自動交易在流動性好的能源市場進行交易，能源公司由于監(jiān)管和模型盈利不穩(wěn)定等因素，基本不參與自動交易領域。

通過調研，我們發(fā)現市場上人工智能應用還處于比較低級的階段，大部分公司依然采用量化交易作為基礎進行交易，盡管其廣告或者網站中描述了很多高大上的技術，但一般只是噱頭，吸引投資者，實際交易模型比較簡單，以量化模型為主。

部分公司在模型上采用了一些人工智能技術，也主要是簡單的統計套利和數學模型挖掘，更為深層的深度學習和神經網絡人工智能技術各個公司依然處在研發(fā)階段。據了解，很多銀行在神經網絡人工智能研發(fā)過程中遇到的最大問題是模型解釋。與簡單模型比較，通過復雜神經網絡人工智能進行交易后，無法解釋為什么盈利和虧損，很難得到公司和監(jiān)管機構的認可。

2.3　國際石油貿易領域信息化應用的發(fā)展趨勢

如前文所述，國際石油貿易領域一直以來都是信息技術企業(yè)級應用的先驅，業(yè)內企業(yè)基本均已建立起較為成熟的 ETRM 系統，形成并積累了大量質量較好的基礎數據，在數據收集的時效性和準確性方面打下了良好基礎。根據 IBM 數據治理成熟度評估模型的評估標準，業(yè)內普遍已跨越了初始階段和基本階段，處于主動管理階段或量化管理階段初期。

基于既往的基礎，加之人工智能和大數據技術的突破性發(fā)展，國際石油貿易領域的企業(yè)開始嘗試進入“人工智能 + 大數據 + 物聯網的互聯網 +”的第三階段。

與前兩個階段相比，該階段有 3 個新訴求：第一個訴求是不滿足于對現有內部已有經營管理數據的簡單處理和共享，希望通過更深入的數據挖掘及整合，繼續(xù)提高內部的執(zhí)行效率和風控預警能力；第二個訴求是希望改變以往對外部數據的碎片化獲取和共享方式，尤其是對不可量化的外部信息（突發(fā)事件、新聞報道、大眾輿情等）深度挖掘和整合，應用人工智能算法幫助企業(yè)進行經營決策的優(yōu)化；第三個訴求是希望通過挖掘和整合內外部信息，通過人工智能算法為一線交易員提供交易輔助決策，甚至更進一步，開發(fā)人工智能交易模型，在市場上斬獲更多利潤。

三、石油貿易領域人工智能平臺建設與典型應用場景

3.1　大數據分析技術的應用背景

國內石油貿易企業(yè)通過持續(xù)不斷的引進與開發(fā)業(yè)務和財務信息系統，形成了大量系統管理的內部數據，數據質量較高，為進一步經營管理分析打下了良好的數據基礎，目前外部數據尚未通過平臺進行統一管理，較為分散。

內部數據方面，已普遍通過信息系統實現業(yè)務執(zhí)行層面的數據管理，但在數據分析層面仍然存在一些問題：（1）手工數據收集整理、報表編制工作量較大，占用了分析人員大量的工作時間；（2）數據顆粒度較粗，即風控部門、財務部門獲得的數據經過匯總合并后，匯總合并前的基礎明細數據無法獲得；（3）不同部門對同一名稱的指標在理解上和統計口徑上存在歧義，指標統計口徑不一致。

外部數據則面臨著如下問題：（1）數據來源眾多，缺乏權威數據源的清晰定義；（2）數據管理分散，基本面數據多分散存儲，技術面數據多通過第三方行情軟件實時查看，缺乏統一的數據管理平臺；（3）數據積累少，基本面與技術面數據均未形成長期有效積累機制，數據完整性及精準度難于控制；（4）數據獲取難，商情數據多通過信息提供商終端、Excel 插件及郵件傳輸的報告進行獲取，數據獲取的時效性和自動性難以保障。

因此，匯聚所有數據來源，通過大數據分析技術建立機器學習、人工智能模型，深入挖掘數據價值成為業(yè)內企業(yè)迫在眉睫的需求。

3.2　石油貿易人工智能平臺的典型應用場景

經過深入調研，針對業(yè)務運作中的痛點及難點問題，國內石油貿易智能化建設方案中調整并確立了大數據分析技術的 4 個典型應用場景，即：基于人工智能平臺的輔助交易決策平臺、大數據信用風險評估及預警平臺、標準化報告智能分析、合同解析。

3.2.1　基于人工智能平臺的輔助交易決策平臺

此應用場景平臺由數據處理模塊、交易策略模塊、風險管理及績效考核模塊 3 個子模塊構成（圖 1）。

（1）數據處理模塊。采用 Hadoop/Spark 的大數據分析技術實現外部數據的收集、處理、深度挖掘分析，并和結構化數據統一整合、集中展示。自動收集并整理的數據包括：大宗商品及外匯供需關系的數據，金融市場實時數據，公司收到的研究報告，宏觀經濟數據及其他對市場有影響的政策，影響區(qū)域性市場的政治事件、重大新聞、天氣，網上輿情數據等。模塊中的技術難點是對非結構化數據的處理及分析，例如分析重大突發(fā)事件對油價的影響。為此基于大數據，通過建立人工智能模型，對歷史類似突發(fā)事件進行全面擬合，最終對市場未來走勢計算出概率，進而輔助交易決策。

（2）交易策略模塊。通過設計開發(fā)向導式的策略生成器，便于交易員迅速開發(fā)并回測交易策略。基于數據處理模塊中的大數據平臺及人工智能模型，為交易策略提供由非結構化的內外部數據（政治事件、重大新聞、天氣等）所生成的影響因子（人工智能模型計算出的概率）指標。

（3）風險管理及績效考核模塊。風險管理方面設計了包括風控報告（實現每日風險報告及各維度管理信息報告）和量化風險管理（Va R 值計算和壓力測試計算）的綜合性統計分析報表，并開發(fā)了可按照公司管理架構，計算業(yè)務盤位及盈虧（逐級穿透至交易層面），支持實時盤位顯示和遠期計價分析?？冃Э己朔矫?，除了傳統的收益波動分析和凈值回撤管理外，還包括了風險分解、交易風格分析、業(yè)績評價及歸因分析等內容（圖 2）。

3.2.2　大數據信用風險評估及預警平臺

國際石油貿易領域的大型公司通常擁有數以千計的客戶群體，動態(tài)客戶跟蹤和預警工作量巨大。目前業(yè)內通行的信用管理模式是總部和地區(qū)公司兩級客戶信用人員的不定期走訪客戶，一年進行一次梳理和重審，客戶信用管理人員平時通過訂閱的客戶信息報告及搜索客戶相關新聞等方式，了解客戶資信變化情況，這顯然是相當被動和低效的管理模式。應基于大數據分析和預警，對行業(yè)趨勢進行分析和判斷，再結合公司與客戶間的交易數據、客戶財務數據，以及客戶經理反饋的信息，對客戶進行全面跟蹤，動態(tài)分析客戶資質變化情況，才能提前預警問題發(fā)生，降低重大事件的反應時間。

大數據信用風險評估及預警平臺的設計架構包括數據獲取及預處理、客戶全息視圖、風險監(jiān)測及評估、風險預警及管理、模型及指標管理。與以往的信用風險評估體系相比，該平臺在技術實現方案上有3點創(chuàng)新：

（1）對于外部非結構化數據（互聯網輿情）的數據分析。首先采用爬蟲工具和 API 接口全面收集網絡輿情、機構數據和各類專業(yè)評級報告，使用 NLP 語義識別技術將非結構化數據轉換為結構化數據，再將生成的結構化數據進行字典訓練，形成預警數據倉庫。

（2）信用風險模型建模。充分開展大數據梳理和挖掘，在風險評估及預警模型中引入多元化風險因素，豐富風險識別點，提升模型表現。將風險指標分為系統性指標和非系統指標兩類，系統性指標包括宏觀信息和中觀信息，非系統指標包括財務異常、經營異常、征信異常、行為異常、司法異常等。

（3）增加企業(yè)關聯關系圖譜，提升模型敏感度。國際石油貿易領域企業(yè)交叉持股、合資公司、子母公司、總分公司的情況非常多，核心企業(yè)的財務數據和定性信息是信用風險的主要關注范疇，關聯企業(yè)或個人的信用狀況會在很大程度上影響該主體的信用風險，因此創(chuàng)建企業(yè)關聯圖譜，在評級體系中納入所識別的關聯關系將有效提升評級模型的敏感度。

3.2.3　標準化報告智能分析

針對中短期的交易類型，交易員多通過報告信息從宏觀整體的層面了解當前市場消息及觀點，借助于大數據技術手段自動收集、統一管理及展示報告內容，并通過人工智能技術對報告信息進行解讀，對市場熱點、趨勢、風險進行快速評估分析及預警，對業(yè)務經營具有重大意義。

標準化報告智能分析的設計架構見圖 3。模塊功能實現思路為：（1）收集報告非結構化數據以及和報告數據關聯度較高的結構化數據，部分非結構化的文本數據被加載到專門的人工注釋中，用于模型注釋器的培訓；（2）模型注釋器先由領域專家手工標注少部分語料，生成模型，再由模型進行新文本的自動標注，再由人工評估并修正模型標注結果，進一步訓練改進模型，提高性能；（3）訓練有素的模型注釋器被部署到數據處理平臺用于文本信息提取，從非結構化數據中提取信息，并構建到知識圖譜中；（4）在知識圖譜中完成知識推理，輸出的結構化數據形成培訓數據，并在模型實驗室中加載，用于機器學習模型訓練。

3.2.4　合同解析

國際大型石油貿易公司每年簽署的實貨貿易合同均數以萬計。國內各公司當前合同審核的標準模式為業(yè)務部錄入合同后，進行合同會簽審核，在審核過程中法務部負責合同進行整體審核，各部門審核與其相關的部分。該操作中面臨一些難點，如審核檢查需要手工比對，占用大量時間；且因審核人員業(yè)務能力不同，質量難于把控；合同審核風險難于追蹤記錄及統計分析等。

因此，為了加快合同審核速度，統一提高全系統合同審核水平，提升對合同的整體風險分析及把控能力，合同解析模塊功能通過如下路徑實現：（1）選取不同合同類型的樣本合同，將其非結構化數據部分通過文字識別和自然語言分析技術進行預處理，再以此數據為基礎建立合同標準庫模型，通過模型自學習對模型進行訓練；（2）當有新的合同審核需求時，標準庫模型將從文檔級別、子句級別進行語義比較，對于重點條款進行詳細比較和差異檢測；（3）自動初檢后的合同交人工復檢，同時由人工提供反饋，以對模型進行持續(xù)不斷的深度訓練。

四、結束語

石油石化產業(yè)與互聯網的“聯姻”將從產業(yè)鏈的各個環(huán)節(jié)，挖掘出互聯網技術“1+1 ﹥ 2”的乘數效應。從企業(yè)外部來看，兩者的結合將極大地促進能源供應和消費的互動，更精準地對接市場需求，從而提高供給質量和效率。業(yè)內企業(yè)如能利用大數據技術完成海量消費數據的采集、篩選、分析和挖掘，最終實現數據驅動的精準能源供給，將能更好地滿足用戶個性化的用能需求，增強客戶信任度和忠誠度。從企業(yè)內部看，大數據分析技術的應用將有助于企業(yè)提高工作效率，節(jié)約運營成本，更充分地整合和利用資源。有理由相信，傳統能源行業(yè)在“互聯網 +”的助力下，將會促進行業(yè)轉型，實現改革、開拓、創(chuàng)新的發(fā)展新局面。