从传统金融到智能金融进阶：联邦学习技术或助银行业“破圈”

自年初爆发疫情“黑天鹅”事件以来，加大对中小微企业的支持力度，一直是我国金融系统支持实体经济恢复发展的重要着力点。17日召开的国务院常务会议要求，进一步落实金融支持实体经济的政策措施，助力市场主体纾困发展。

在这一背景下，科技企业积极响应金融支持政策号召，针对中小微企业融资难、慢、贵问题纷纷献计献策，以腾讯安全灵鲲推出基于联邦学习技术的金融普惠方案，致力于优化中小微企业贷款体验。

相较于大中型企业，规模小和缺乏抵押保障是中小微企业融资难的主要原因。据《全国工商联：2019-2020小微企业融资状况报告》数据显示，在中小企业中，44.6%的中小微经营者认为融资困难的原因是抵押担保不足，39.8%认为是企业规模小。融资难、慢、贵无疑成中小微企业反映和呼声最为强烈的问题之一。

去年以来，国家加大对普惠金融的政策支持力度，通过定向降准、对金融机构小微企业贷款利息收入免征增值税等，从体制机制上推动了商业银行敢贷、愿贷、能贷。今年一季度，税务部门已经向银行推送了600多万户重点帮扶的企业名单，协助银行进行主动对接、精准放贷，降低上下游中小微企业资金压力和融资成本。

金融科技在推动普惠金融的进程中发挥着重要作用，但同样也面临数据孤岛现象与数据隐私保护问题等诸多阻碍。针对这一问题，谷歌科学家H.Brendan McMahan早在2016年提出“联邦学习”概念。在去中心化机器学习的过程中，联邦学习能够保证每个客户的隐私数据不出本地，从而降低了传统中心化机器学习带来的隐私泄露风险和因数据泄露带来的相应成本。

作为国内最早倡导“联邦学习”的企业之一，腾讯安全联邦学习应用服务通过低成本快速迭代的联合建模服务，能够在保护所有参与方隐私的同时，有效释放出各方大数据生产力，既满足了银行实际管理需求，又帮助中小微企业从金融机构获得便捷高效的普惠金融服务。

与传统的联合建模相比，腾讯安全灵鲲联邦学习在数据隐私保护、建模效率、模型增益方面都具有显著优势。以灵鲲与某国有银行的合作为例，在各自数据不出本地的情况下，联邦学习与通过传统方式进行联合建模的效果基本一致，具有无损性。此外在与某互金平台的合作中，联邦学习建模比客户仅用自有数据建模模型的区分能力提升了30%左右。

8月6日，央行公布了北京金融科技创新监管第二批11个试点名单，应用了腾讯安全灵鲲联邦学习的「多方数据学习“政融通”在线融资项目」成功入选，成为全国首个基于联邦学习的普惠金融试点应用，助力小微企业解决资金难题，更好地助力实体经济发展。

当前，以大数据、云计算、人工智能等前沿新兴技术与传统金融相遇，科技与金融互相渗透，业务与应用场景渐次重构，银行的数字化转型之路也在大步向前。相信在各方共同努力之下，未来中小微企业一定能够获得更多支持、实现更好的良性发展。