面向印度券商的可解释保证金融资风险操作系统，让它们无需重建整套实时风控栈，也能发布杠杆产品。

1. 散户交易量已够大，券商有理由建设专门的风险基础设施，而不再依赖人工运营。
2. 新融资正被投入 margin trade funding 和 AI 功能，产品路线图因此立刻需要更安全的决策层。
3. 与 Dhan、Groww 和 Zerodha 的竞争，迫使平台更快推出差异化的活跃交易者产品，同时不能犯运营错误。
4. 活跃投资者平台正围绕执行工作流与即时体验竞争，这进一步抬高了低延迟后端决策引擎的价值。

催化因素。 Sahi 的融资、规模和其明确提出的 margin trade funding 与 AI 功能扩张，说明券商现在既看到了需求，也感受到了升级风险决策层的紧迫性，不再能把它只当后台管线。

产品接入券商的订单流、持仓账本、抵押品数据与客户画像系统，实时计算账户层面的杠杆准入资格。它为风险和产品团队提供可灵活配置的敞口、集中度、冷静期规则以及分客群提示策略，而不要求团队重建整套内部系统。每一次批准、拦截或面向客户的提示，都会连同可解释理由和策略版本一起存档，方便事后再复盘并更快迭代规则。首版产品刻意不生成开放式交易建议，而是聚焦于边界清晰、便于治理的策略约束型准入判断与工作流建议。随着使用深入，同一套控制平面还能支撑更安全的交叉销售与活跃投资者留存流程。

差异化。 这不是又一个散户交易 App，也不是通用 AI 副驾，而是一层专门面向券商从低摩擦经纪业务迈向杠杆化与 AI 辅助产品时刻的基础设施。在这个阶段，可解释性与策略控制比花哨的前端更关键。真正可防守的部分，来自券商专属策略模板、对交易和抵押品系统的集成深度，以及真实批准、拦截和提示结果所沉淀出的反馈数据。

待完成任务

flowchart LR
  Buyer[券商风险与产品团队] --> Pain[人工保证金审批与薄弱护栏]
  Pain --> Product[可解释 MTF 风险引擎]
  Product --> Outcome[上线更快，活跃交易者增长更安全]

高管要点

• 印度零售券商市场已大到足以支撑专门基础设施：CDSL 报告称 FY25 投资者账户已超过 15.29+ crore，新增 demat 账户 3.73 crore；NSE 活跃客户在 FY25 也增长了 21%。[2][3]
• MTF 已不是边缘功能。HDFC Securities 表示，全行业 MTF 余额从 2024 年 3 月的约 ₹50,000 crore，一度升至 2024 年 9 月峰值约 ₹85,000 crore，随后到 2025 年 2 月稳定在约 ₹75,000 crore。[11]
• 券商经济模型足以支撑软件预算：多家大型券商公开宣传 4x 杠杆和两位数年化 MTF 利率，Angel One 还披露客户融资已占 FY25 收入结构的 11.6%。[12][14][15][16][23][24][25]
• 监管并没有杀死这个赛道，反而抬高了“可解释覆盖层”的价值：SEBI 近年持续收紧 pledge/re-pledge、MTF 券商资质、散户算法交易参与和网络韧性要求。[4][5][7][8][9]
• 最显而易见的替代方案，是整套 OMS/RMS 供应商或内部自建；但两者都更偏广义交易基础设施，而不是一层能快速部署、券商专属、且可审计的 MTF 决策层。[17][18][19][20]
• 最大逆风并不是需求，而是风险偏好与合规观感：SEBI 指出，FY22-FY24 期间 93% 的个人 F&O 交易者亏损，因此任何看起来像建议、或杠杆控制过弱的产品，都会被更严格审视。[6]
• Sahi 新一轮融资，以及其明确扩展 margin trade funding 和 AI 功能的表态，是一个当下验证信号：印度券商正在增加的，正是这个创业公司要切入的工作流。[1][21][22]

市场定义

面向 SEBI 监管下印度券商与活跃投资平台的决策基础设施市场，服务对象是那些正在推出或扩张杠杆产品的平台。切入口从 Margin Trading Facility 的准入判断、抵押品监控、集中度控制和可审计的下一步动作提示开始。它不包括面向消费者的券商 App、交易所核心风控系统、通用 CRM 工具，以及开放式交易建议产品。

用户与买方

主要 ICP 是那些活跃交易者规模已足以支撑 MTF、但工程深度又不如最大型在位厂商的 SEBI 注册印度券商。经济买方通常是 CRO、COO 或 VP Product；日常使用者则是负责 MTF rollout 与事件复盘的风险运营、合规、资金 / client-funding 和产品团队。

购买触发点

• 券商准备第一次认真推出 MTF，或扩大可融资股票覆盖范围，但又不想在内部重建整套系统，却必须满足交易所 / SEBI 关于审批、质押与监控的要求。 [8][9][7]
• 一次市场波动或损失事件，迫使风险 / 合规团队比电子表格复核更快地解释批准、拒绝或限制决策。 [6][11]
• 快速增长的零售券商带来竞争压力，迫使产品团队在更紧的时间线上发布杠杆与 AI 辅助工作流。 [1][2][21]

支付意愿

买方预算大概率存在，因为 MTF 本身已被做成了利差业务：公开券商材料显示，MTF 年化利率大约在 9.65%-15.72%+，杠杆最高可到 4x-5x；Angel One 和 HDFC Securities 也都把 client funding / MTF 明确列为重要增长点。这意味着，即便还没卖到更广的扩张模块，也有机会先从产品、风险或 client-funding 预算里切出一块软件支出。 [11][12][14][15][16][23][24][25]

品类动态

增长信号 FY25 NSE 活跃客户增长 21%

验证信号

• Sahi 融资 $33M，并明确表示将扩展 margin trade funding 与 AI 驱动功能。
• CDSL 投资者账户已超过 15.29+ crore，并在 FY25 新增约 3.73 crore demat 账户。
• NSE 活跃客户在 FY25 增长了 21%，Groww、Zerodha 和 Angel One 都已达到数百万活跃客户规模。
• HDFC Securities 表示其自有 MTF 资产组合在 FY25 同比增长 50%，并提到全行业 MTF 余额峰值约为 ₹85,000 crore。
• Angel One 在 FY25 明确强调了独立 MTF 板块与持续扩张的 client funding 账簿。

监管与技术约束

• MTF 抵押品必须遵循 SEBI 的 pledge / re-pledge 框架，因此产品必须和存管侧抵押品状态干净对接，而不能另造一套平行记录。
• 提供 MTF 的券商要满足交易所审批与净资产证明要求，因此任何 rollout 都会把合规团队拉进来。
• SEBI 对散户算法交易的防护要求，使得产品一旦滑向开放式推荐，就会立刻变得危险。
• CSCRF 抬高了日志、访问控制、韧性与事件流程的基线要求，凡是触碰受监管实体的软件都绕不过去。
• 延迟与稳定性都很关键，因为底层券商体验越来越围绕执行速度和即时决策来卖。

这个直接市场里，面向印度本土、专做可解释 MTF 决策的点状方案并不拥挤，但替代集合很强：既有 OMS/RMS 供应商、全球券商平台供应商，以及内部规则引擎都在。创业公司必须把自己卖成一层覆盖系统——部署更快、策略透明度更高，而不是去做整个平台替换。

为什么现有厂商不会默认胜出

• 传统 OMS/RMS 在位厂商. Symphony、ODIN 这类厂商在券商想买整套交易基础设施时很有优势，但它们的覆盖范围远大于一层聚焦、可解释的 MTF 策略层；这给更快部署和更好的审计体验留出了空间。
• 全球券商平台供应商. Devexperts 这类平台拥有很强的工程和风控能力，但在印度特有的 SEBI、交易所和存管流程上，仍需要额外本地化和实施工作；这一块正是专业方案可以打包得更好的地方。
• 工作流 / CRM 套件. 像 FYNXT 这样的系统可以自动化开户与券商运营，但并没有专门优化印度 MTF 所需的盘中抵押品健康度、集中度上限和可解释性。
• 内部自建. 头部券商可以自己做，但中型券商仍要面对数据割裂、网络合规和审计要求；只要发布时间能明显更短，一套预集成的控制平面就有吸引力。

这家公司卖的是一层可解释的保证金融资风险决策基础设施，客户是正在推出或扩张 Margin Trading Facility 及相邻杠杆工作流的 SEBI 注册印度券商。眼前最明确的客户，是一家拥有约 100,000-300,000 个 demat 账户的中型券商；它的产品和风险团队想发布 MTF，但又不想重建整套实时风控栈。首个产品是一层以只读为主的覆盖层，接入订单、持仓、抵押品和客户画像数据，用来评估 MTF 准入资格、监控集中度与抵押品健康度，并为每次批准、拦截和预先审批过的提示记录策略版本。GTM 以创始人亲自打单为主，切入 CRO / COO / VP Product；触发点通常是 MTF 发布、一次波动事件，或“同行更快推出杠杆功能”带来的竞争压力。研究支持需求存在：印度散户交易规模已够大，行业 MTF 余额到 2025 年 2 月约为 ₹75,000 crore，券商也在用两位数 MTF 利率直接变现杠杆业务。方案刻意避开消费级交易体验、开放式交易建议和整套 OMS 替换；真正的切口，是一层比内部规则加电子表格更快部署、也更容易审计的覆盖层。最主要的下行风险，在于近期滩头偏小、若提示像建议会触碰监管边界，以及券商可能更愿意续签既有平台或内部自建。基于当前研究，近期市场真实存在，但仍然偏窄（估算 TAM 为 $14.5M、SAM 为 $6.5M、SOM 为 $1.4M）；真正值得下注的问题是：这层 MTF 控制能力能否够快地扩展成更广的券商决策基础设施。

问题

• 中型印度券商想竞争，就得推出 MTF 和相邻杠杆产品，但很多团队仍依赖割裂的数据、电子表格式异常处理和内部规则表。
• 这些流程会让波动市况下的审批变慢，也让“为什么这位客户被批准或被挡下”变得说不清，进而放大授信、集中度、合规和事件复盘风险。
• 完整替换 OMS/RMS 是个重项目，而现行替代方案要么太宽、要么太人工，都不适合快速发布 MTF。

解决方案

• 一层券商覆盖系统，连接订单、持仓、抵押品和客户画像系统，实时计算 MTF 准入、抵押品健康度与集中度上限。
• 配备运营控制台，支持可灵活配置策略、案例复核、不可篡改的决策日志和策略版本管理，让每次批准、拦截或预审批提示都能过审计。
• 初期范围牢牢待在基础设施层：做策略约束型准入与工作流提示，不碰开放式投资建议，也不做散户交易前端体验。

为什么我们会赢

• 产品以覆盖层切入，券商无需更换既有 OMS/RMS，就能升级风险决策能力。
• 可解释性和策略控制本身就是核心产品特性，比通用规则引擎或 AI 副驾更贴合 SEBI 驱动的审计与行为监管要求。
• 券商专属策略模板、能复用连接器与决策结果历史，一旦发布就会形成切换成本。

里程碑

flowchart LR
  Wedge[可审计的 MTF 覆盖层] --> MVP[shadow mode 准入与审计轨迹]
  MVP --> Proof[付费试点与更快的券商上线]
  Proof --> Expansion[自动控制与相邻券商工作流]

创始团队

实验路线图

风险评估

必须成立的条件

• 前 10 家目标券商里，至少有 3 家明确表示 MTF 审批或抵押品监控是其前三大发布卡点项。
• 至少有 2 家券商在部署周期低于 8 周时，会优先选择覆盖层而不是更换 OMS。
• 只读数据流加人工兜底的 MVP，能在 shadow mode 下覆盖超过 80% 的 MTF 审批决策。
• 外部合规审查确认，策略约束型提示与审计日志不会落入投资建议边界。
• 至少有 1 个试点能在发布后 6 个月内，以不低于 ₹60 lakh 年化软件支出的价格转成生产。

待尽调问题

• 哪些 OMS、后台与存管组合覆盖了前 10 家目标券商？
• 在目标券商内部，谁真正拥有 MTF 的 P&L，并签字批准软件预算？
• 目标券商当前有多少比例的 MTF 审批与异常复核仍靠人工？
• 既有 OMS/RMS 的变更请求通常要多久，和覆盖层部署相比差距有多大？
• 哪类提示会被客户合规团队批准、限制或直接禁止？

模型合理性

• 收入引擎. 基准情景由第 1 年两个付费试点、第 2 年 Q4 前达到 2-3 个生产券商，以及 Q4Y3 达到 4.8 个生产等效客户共同驱动。
• 必须做对的事. 试点转生产转化率必须维持在商业计划设定的 50%+，公司才有机会在现金缓冲变得关键前，跑出能复用的券商部署。
• 模型会在何时失灵. 如果销售周期拖到 9 个月，或 ARPU 下砍 15%，第 3 年收入会少掉约 $160-180K，现金也会逼近 downside 情景低点。
• 下一轮融资证明点. 只有在拿到 2-3 个生产客户、1 个渠道伙伴，以及至少 1 笔相邻模块销售后，下一轮融资才有理由建立在“公司能扩展到 MTF 之外”的论点上。

情景

敏感性

flowchart LR
  TargetAccounts --> PaidPilots
  PaidPilots --> ProductionLogos
  ProductionLogos --> ExpansionModules
  ProductionLogos --> Revenue
  ExpansionModules --> Revenue
  Revenue --> GrossProfit
  GrossProfit --> Cash

警示项: 到第 3 年底，收入仍集中在不到 5 家券商关系上。 · 每名 FTE 对应收入低于典型 SaaS 基准，因此模型要么需要更高 ACV，要么需要更强的交付产品化。 · 滩头偏窄，因此第 2 年就必须看到相邻模块拉力，才能支撑风险投资级叙事。 · 基准情景到第 3 年仍是 EBITDA 为负，因此一旦试点转化延迟，下一轮融资就会被提前。

• 监管边界风险. 如果提示内容过于具体，产品可能会被视为从风险工具越界到了投资建议。 缓解措施: 先从策略约束型准入与护栏工作流做起，由券商自行配置推荐逻辑，并保留明确审计日志。
• 在位厂商内部自建. 更大的券商一旦意识到需求，可能更倾向于自己搭建整套风险栈。 缓解措施: 先赢下中型券商，尽量压缩部署周期，并打造难以被快速复制的能复用集成和策略模板。
• 集成拖累. 券商数据通常分散在订单、账本、抵押品和合规系统里，拖慢见效速度。 缓解措施: 先从只读集成切入最有价值的 MTF 决策，优先支持少量供应商组合，并把实施服务打包得够紧凑。