光大科技追光实验室论文《可解释评分卡模型的纵向联邦学习方法及其在信用评分的应用》(A Vertical Federated Learning Method for Interpretable Scorecard and Its Application in Credit Scoring)被首届信用评分与信用评级会议(The First Credit Scoring and Credit Rating Conference, CSCR I)录用,并于10月29-30日亮相西南财经大学。该论文由光大科技追光实验室郑方兰、额日和、李琨、大数据部负责人田江和公司副总经理向小佳共同完成。
会议上,光大科技追光实验室技术骨干李琨与额日和现场分享了信用评分场景下纵向联邦学习的算法创新和应用,介绍了相应算法创新在与光大银行、云缴费科技公司合作中的应用实践及智能大数据产品阳光评分。本次会议与“国际金融科技论坛”(SWUFE&CDAR 2020)联合举办,光大科技参加论坛并与产学研各界参会嘉宾密切交流,切磋金融科技行业焦点问题洞察与思考。
光大科技追光实验室论文亮相首届信用评分与信用评级会议(CSCR I)
实体经济的信贷供给是经济发展的关键动力,信用风险管理对金融机构至关重要,金融科技驱动现代银行智能决策高速发展。同时,国内外监管环境逐步加强数据保护,重视数据隐私和安全已成大势所趋。在此背景下,光大科技追光实验室针对金控集团业务应用实际需求,提出信用评分在纵向联邦学习框架下实践应用中的创新算法,并编纂整理为实验室论文《可解释评分卡模型的纵向联邦学习方法及其在信用评分的应用》(A Vertical Federated Learning Method for Interpretable Scorecard and Its Application in Credit Scoring)。
追光实验室技术骨干李琨博士于CSCR I会议分享论文成果
论文提出,信用评分模型根据客户已有信用表现和资料,经过加权平均计算出具体分数,用以反映客户的信用水平。当应用于金融场景时,由业务需求带来的模型可解释性要求对模型系数有相应的要求;一旦模型的系数无法满足业务解释性要求,则需要反复筛选训练迭代。尤其在联邦学习框架下,联合训练时间成本已经较高,反复训练将耗费巨大时间成本。
为解决上述问题,追光实验室将信用评分模型的可解释性要求,转化成对目标函数的约束优化问题,并在纵向联邦的框架下实现求解。改进后的方法保证了模型可解释性,同时节省了训练开销,加速了训练过程。目前,该模型算法已应用于集团及成员单位的联合建模实践中,在可控的时间成本下,保证联合建模效果提升与模型可解释性。
《可解释评分卡模型的纵向联邦学习方法及其在信用评分的应用》论文作者
光大科技追光实验室通过基于业务知识的持续技术创新,积极参与金融及科技领域专业会议,不断扩大金融科技领域技术影响力,致力于建立光大科技的技术品牌与能力护城河。
信用评分与信用评级会议CSCR I
首届信用评分与信用评级会议(The First Credit Scoring and Credit Rating Conference, CSCR I)由西南财经大学金融学院主办,爱丁堡大学商学院、中央财经大学商学院、天津财经大学会计学院协办,会议以“Bridge the Gap”为主题,搭建信贷领域学术界和实业界的桥梁,邀请国内外来自银行和消费金融业、债券和信贷衍生品市场、金融科技、征信评级机构等方面的专家和学者一起讨论交流,分享与信用评分、信用评级和信贷资产的风险管理相关的研究成果。此次会议特别关注新颖的数据挖掘和机器学习算法在风险预测上的应用,以及新冠疫情对信用风险的影响。
第三届“国际金融科技论坛”
(SWUFE&CDAR 2020)
第三届“国际金融科技论坛”(SWUFE&CDAR 2020)由西南财经大学、加州大学伯克利分校国际风险数据分析联盟(Consortium for Data Analytics in Risk,简称CDAR)、成都市地方金融监督管理局联合主办。本次论坛从政府与监管机构、金融行业、金融学界三方视角,围绕金融科技与实业、金融科技与证券、金融科技与银行三个议题,邀请相关领域的专家学者与业界领袖进行深度探讨与交流,探讨金融科技在疫情期间发挥的正向积极作用以及“后疫情时代”推动全球经济更快复苏,展望金融科技未来发展的机遇与挑战。
