光大科技追光實驗室論文亮相首屆信用評分與信用評級會議（CSCR I）

　　光大科技追光實驗室論文《可解釋評分卡模型的縱向聯邦學習方法及其在信用評分的應用》(A Vertical Federated Learning Method for Interpretable Scorecard and Its Application in Credit Scoring)被首屆信用評分與信用評級會議(The First Credit Scoring and Credit Rating Conference, CSCR I)錄用,并于10月29-30日亮相西南財經大學。該論文由光大科技追光實驗室鄭方蘭、額日和、李琨、大數據部負責人田江和公司副總經理向小佳共同完成。

　　會議上,光大科技追光實驗室技術骨干李琨與額日和現場分享了信用評分場景下縱向聯邦學習的算法創新和應用,介紹了相應算法創新在與光大銀行、云繳費科技公司合作中的應用實踐及智能大數據產品陽光評分。本次會議與“國際金融科技論壇”(SWUFE&CDAR 2020)聯合舉辦,光大科技參加論壇并與產學研各界參會嘉賓密切交流,切磋金融科技行業焦點問題洞察與思考。

　　光大科技追光實驗室論文亮相首屆信用評分與信用評級會議(CSCR I)

　　實體經濟的信貸供給是經濟發展的關鍵動力,信用風險管理對金融機構至關重要,金融科技驅動現代銀行智能決策高速發展。同時,國內外監管環境逐步加強數據保護,重視數據隱私和安全已成大勢所趨。在此背景下,光大科技追光實驗室針對金控集團業務應用實際需求,提出信用評分在縱向聯邦學習框架下實踐應用中的創新算法,并編纂整理為實驗室論文《可解釋評分卡模型的縱向聯邦學習方法及其在信用評分的應用》(A Vertical Federated Learning Method for Interpretable Scorecard and Its Application in Credit Scoring)。

　　追光實驗室技術骨干李琨博士于CSCR I會議分享論文成果

　　論文提出,信用評分模型根據客戶已有信用表現和資料,經過加權平均計算出具體分數,用以反映客戶的信用水平。當應用于金融場景時,由業務需求帶來的模型可解釋性要求對模型系數有相應的要求;一旦模型的系數無法滿足業務解釋性要求,則需要反復篩選訓練迭代。尤其在聯邦學習框架下,聯合訓練時間成本已經較高,反復訓練將耗費巨大時間成本。

　　為解決上述問題,追光實驗室將信用評分模型的可解釋性要求,轉化成對目標函數的約束優化問題,并在縱向聯邦的框架下實現求解。改進后的方法保證了模型可解釋性,同時節省了訓練開銷,加速了訓練過程。目前,該模型算法已應用于集團及成員單位的聯合建模實踐中,在可控的時間成本下,保證聯合建模效果提升與模型可解釋性。

　　《可解釋評分卡模型的縱向聯邦學習方法及其在信用評分的應用》論文作者

　　光大科技追光實驗室通過基于業務知識的持續技術創新,積極參與金融及科技領域專業會議,不斷擴大金融科技領域技術影響力,致力于建立光大科技的技術品牌與能力護城河。

　　信用評分與信用評級會議CSCR I

　　首屆信用評分與信用評級會議(The First Credit Scoring and Credit Rating Conference, CSCR I)由西南財經大學金融學院主辦,愛丁堡大學商學院、中央財經大學商學院、天津財經大學會計學院協辦,會議以“Bridge the Gap”為主題,搭建信貸領域學術界和實業界的橋梁,邀請國內外來自銀行和消費金融業、債券和信貸衍生品市場、金融科技、征信評級機構等方面的專家和學者一起討論交流,分享與信用評分、信用評級和信貸資產的風險管理相關的研究成果。此次會議特別關注新穎的數據挖掘和機器學習算法在風險預測上的應用,以及新冠疫情對信用風險的影響。

　　第三屆“國際金融科技論壇”

　　(SWUFE&CDAR 2020)

　　第三屆“國際金融科技論壇”(SWUFE&CDAR 2020)由西南財經大學、加州大學伯克利分校國際風險數據分析聯盟(Consortium for Data Analytics in Risk,簡稱CDAR)、成都市地方金融監督管理局聯合主辦。本次論壇從政府與監管機構、金融行業、金融學界三方視角,圍繞金融科技與實業、金融科技與證券、金融科技與銀行三個議題,邀請相關領域的專家學者與業界領袖進行深度探討與交流,探討金融科技在疫情期間發揮的正向積極作用以及“后疫情時代”推動全球經濟更快復蘇,展望金融科技未來發展的機遇與挑戰。