2.1　联邦学习与金融

由于金融行业的敏感性，金融数据的应用受到客户和监管机构的严格监管。为了在保护隐私的同时有效释放大数据生产力，更快完成业务的迭代和创新，更敏捷地适应市场变化，提升业务竞争力，许多金融公司和商业银行都在利用联邦学习为参与方创造多赢的局面。常见的联邦学习在金融领域的应用有信贷风控、反洗钱和智慧生态等。

在信贷审查业务办理过程中，银行需要访问行外多种客户信用数据接口。在这些数据接口中，绝大部分不是免费的，并且对于有些较为关键的数据，银行等金融机构无法取得。因此，商业银行在面对客户特别是小微企业客户时，由于缺乏有效的信用数据支撑，无法为其提供相应的信贷服务，导致小微企业融资难、融资贵、融资慢，这也是普惠金融发展过程中面对的一个重大难题。

最近几年，传统金融风控业务中引入了人工智能等数字金融科技，用人工智能技术综合判断贷款客户的资质和信用情况，例如小微企业的经营状况、盈利能力、收入和未来成长潜力等，以此作为客户的准入评估。但人工智能技术的应用首先要解决建模所需的多源数据整合问题，通过联邦学习，可建立一种新的数据合作模式，从合作伙伴获取银行潜在客户特别是小微客户的交易数据、税务数据、工商信息等多维度的特征数据，解决小微客户信贷评审数据稀缺、不全面、历史信息沉淀不足等问题，从风险源头切入，帮助金融机构过滤信贷黑名单或明显没有转化的贷款客户，进一步降低信贷审批流程后期的信用审核成本。

除此之外，反洗钱、反恐怖融资及金融合规管理越来越受到世界各国的高度重视，已逐渐从技术层面上升到国家和地区安全的高度。境内外监管机构不断强化反洗钱监管，持续提升监管标准和要求。对于银行来讲，依法合规是持续健康经营的基本条件，建设高标准的反洗钱体系是商业银行国际化发展必须跨越的门槛。

在银行反洗钱业务中，传统的做法存在数据单一、流程设计繁杂、需要大量人工干预等问题。将联邦学习应用到银行反洗钱业务中，探索商业银行与政府机构、银行同业等多数据拥有方共同建模，可解决传统银行反洗钱业务中基于规则的模型存在的数据来源少、覆盖范围不足等问题。同时，还可以让多个银行参与方贡献不同维度的数据特征进行联合建模，促进跨行反洗钱监管，并利用现存的多种机器学习模型，提升反洗钱业务的智能化水平，减少人工判断和干预，自动识别风险因素，有效提升反洗钱系统的识别准确率，如图2-1所示。

图2-1　通过对分布在商业银行、数字金融、电子商务和电信行业的数据特征进行学习，我们可以实现联邦学习在金融方面的应用

随着我国经济的发展，消费升级进程也在持续加快，新零售行业应运而生。在新零售的各个环节中，在合法合规的前提下实现数字化经营成为零售企业应对变化和挑战的重要手段。以生鲜产品为例，通过动态盘点、排面管理、爆品预测及推荐等，完成货物新鲜度及折扣促销策略实时调整，推动止损策略及时反馈。同时，通过智能模型进行爆品预测，为零售企业提供预测信息，以便于企业进行营销策略优化，提升销售转化。商业银行同样需要在这个生态中为企业和个人规划好个性化的金融服务，提升金融服务质量。

智慧零售业务场景涉及的数据特征主要包含用户购买能力、用户个人偏好以及产品特点三部分。但在实际情况中，这三种数据特征常常由多方企业拥有，鉴于国内外数据隐私保护法律法规，这些企业不能直接把各方数据加以合并，它们各自的数据量和数据特征也都不足以单独建立高质量模型来得到最优结果。

通过联邦学习，各机构的数据不用合并即可联合构建机器学习模型，一方面充分保护了用户隐私和数据安全，另一方面也为智慧零售的各个参与方在金融服务设计、商品配置及营销策略等方面提供了解决方案。