LSEG 已透過其 Post Trade Solutions 事業部新增 Open Risk Analytics，擴展其模型即服務（Models-as-a-Service）市集，為銀行、對沖基金、資產管理公司與資金（treasury）團隊提供可透過 LSEG 的 Analytics API 存取的多資產風險分析。該服務能在利率、外匯（FX）、通膨、商品與股票之間進行投資組合層級計算，同時也支援 AI 相容的環境，包括 Visual Studio Code、JupyterLab、Model Context Protocol，並整合 Microsoft Copilot。
大型金融機構歷來都自行營運內部管理的風險系統，該系統通常由專有基礎設施、廠商軟體以及自製分析環境的組合所構成。這些系統往往在營運上成本高昂、跨資產類別彼此割裂，且難以有效率地擴展。
LSEG 的擴展藉由提供可透過 API 與雲端原生工作流程存取的外部託管風險分析，回應了這項轉型。託管環境讓企業能在不於內部維護完整分析堆疊的情況下，取得包含在險價值（Value at Risk）、預期未來曝險（Potential Future Exposure）、信用估值調整（Credit Valuation Adjustment）、壓力測試、盈虧（P&L）解釋（P&L Explain）、敏感度分析與現金流建模等計算。
LSEG 模型解決方案主管 Aysegul Erdem 表示：「此里程碑將我們 Post Trade Solutions 的風險分析納入 LSEG MaaS，作為一項更廣泛願景的一部分，目標是在規模上提供多資產分析。」Erdem 指出，將分析整合到由 AI 驅動的工作流程中，可能有助於企業自動化傳統風險作業，同時提升效率與投資組合洞察的產生。
本次推出在策略上關鍵的一點，是將風險分析整合進 AI 輔助的工作流程。金融機構愈來愈多會嘗試能夠彙總曝險、解讀市場情境、將工作流程自動化並動態產生投資組合分析的 AI 系統。
透過提供可用於開發工具與 AI 整合、且相容於 API 的風險模型，LSEG 將其分析基礎設施定位在金融服務領域正在進行的更廣泛 AI 轉型之中。提及 Microsoft Copilot 與開放工作流程標準，反映了基礎設施供應商愈來愈傾向於設計產品，使其能與外部 AI 系統具備互通性，而不是只與獨立的專有介面相連。
這項轉變之所以重要，是因為企業級金融軟體正愈來愈朝向可組合（composable）的環境演進：分析、AI 工具、資料層與營運系統透過 API 動態互動。因此，風險分析便成為可被機器讀取的服務，整合進更廣泛的自動化環境，而非由風險團隊定期產出的靜態報表。
即時或接近即時的分析可近性，能實質影響企業在波動市場中監控對手方曝險、保證金（margin）需求、流動性風險與投資組合敏感度的方式。
機構正愈來愈多地在涵蓋上市衍生性商品、OTC 產品、外匯（FX）、商品、股票與固定收益工具的多資產投資組合中運作，同時還面臨更嚴格的監管要求，涉及壓力測試、擔保品（collateral）管理與曝險報告。
在險價值（Value at Risk）仍是機構用來評估在正常市場條件下投資組合可能損失的主要工具之一。壓力測試用於評估投資組合在極端情境下的韌性，而信用估值調整（Credit Valuation Adjustment）則衡量嵌在衍生性商品部位中的對手方信用曝險。盈虧解釋（P&L Explain）分析則協助企業將投資組合的獲利與損失拆解為潛在風險因素與市場變動。
LSEG 的 Post Trade Solutions 董事 Stuart Smith 表示：「只有當企業能將風險分析落地執行時，風險分析才真正創造價值。」Smith 強調，託管式交付、精選的市場資料與透明的模型，讓企業能在規模上進行投資組合層級計算與曝險分析。
許多公司擁有大量風險資料，但仍難以有效率地將分析整合進即時的營運決策，這反映了機構金融領域內更大的挑戰。
本次推出強化了 LSEG 更廣泛的 post-trade 基礎設施策略。該公司表示，該服務可透過與擔保品管理、保證金處理、對手方風險以及 OTC 衍生性商品營運相關的工作流程，支援超過 3,000 家公司。
在衍生性商品監管、中央清算（central clearing）義務與擔保品需求在金融危機後於全球擴張之後，post-trade 基礎設施便變得具策略重要性。機構如今在交易對帳（trade reconciliation）、保證金最佳化（margin optimization）、交割工作流程（settlement workflows）與監管報告方面，面臨龐大的營運負擔。
像 LSEG 這樣的基礎設施供應商，愈來愈將自身定位為集中式平台，能夠在大型金融生態系中標準化這些作業流程。可擴展的風險分析新增，進一步強化了這種定位，因為風險管理與擔保品工作流程正愈來愈多地在機構衍生性商品基礎設施內部共同運作。
此舉反映了金融市場基礎設施中的更廣泛整併趨勢：交易所、結算（clearing）營運商、金融市場資料公司與分析供應商正逐步合併營運層，形成整合式的企業生態系。LSEG 結合市場資料、分析 API、post-trade 基礎設施與相容 AI 的工作流程，展示了金融基礎設施供應商如何日益以「生態系深度」而非獨立產品來競爭。
LSEG 擴增的服務具體提供哪些風險分析？ LSEG 的模型即服務（Models-as-a-Service）方案包含在險價值（Value at Risk）、預期未來曝險（Potential Future Exposure）、信用估值調整（Credit Valuation Adjustment）、壓力測試、盈虧解釋（P&L Explain）、敏感度分析與現金流建模。這些計算涵蓋跨利率、外匯（FX）、通膨、商品與股票的多資產投資組合。
該服務支援哪些開發環境？ 託管式模型可透過 Visual Studio Code 與 JupyterLab 運作，同時也支援透過 Model Context Protocol 與包含 Microsoft Copilot 的工具進行整合所帶來的 AI 強化工作流程。
目前有多少金融機構使用 LSEG 的 post-trade 基礎設施？ 根據 LSEG 的說法，該服務透過與擔保品管理、保證金處理、對手方風險以及 OTC 衍生性商品營運相關的工作流程，支援超過 3,000 家公司。
為什麼即時分析可近性對風險管理很重要？ 即時或接近即時的分析可近性，能實質影響企業在波動市場中監控對手方曝險、保證金需求、流動性風險與投資組合敏感度的方式，使其得以更快進行營運層級的決策。
