据美国《国会山》报道，一名美国政府高级官员当地时间7月7日证实，白宫已正式将美国从世卫组织中撤出。 当地时间7月7日下午，联合国证实收到美政府退出世卫通知，联合国秘书长发言人迪雅里克（Stephane Dujarric）表示，美国已于6日通知联合国秘书长，美国将退出世界卫生组织。
记者近期从业内获悉，今年以来，有近七成保险公司综合偿付能力充足率出现了不同程度的下滑，还有多家险企最新风险综合评级不达标。为了尽快从疫情的冲击中缓过劲来，给下半年展业补足“燃料”，保险公司正在探索多种资本补充途径，一方面积极协调股东推进增资计划，一方面发行资本补充债券“补血”。 业内人士分析称，根据监管要求，当险企的风险综合评级不达标时，监管部门往往会对险企采取一定的监管举措，甚至会影响其开展新业务。因此，一旦风险综合评级不达标，就意味着险企要加速资本补充进程，并通过控制业务规模、改善产品结构、优化资产配置等举措来改善风险水平。 大公国际资信评估有限公司近期披露的《长安责任保险股份有限公司主体与相关债项2020年度跟踪评级报告》显示，通过引入战略投资者，长安保险资本实力大幅增强，偿付能力充足水平显著提升，流动性水平明显改善，监管措施已被解除，保险业务拓展压力得到缓解。 无独有偶，记者统计发现，今年以来，共有14家保险公司通过增加注册资本缓解偿付能力压力。其中，7家保险公司合计逾52亿元的增资计划已获得监管批准，另外7家保险公司也披露了合计27.94亿元的增资计划，有待监管部门批准后生效。 除了向股东求助外，还有些保险公司选择了自行发债解决问题。由于灵活性高、期限长，清偿顺序列于保单责任和其他普通负债之后的资本补充债券，近期渐渐成为保险公司青睐的“补血”渠道。 全国银行间同业拆借中心披露的数据显示，今年以来共有11家保险公司发行资本补充债券。上市发债主体包括平安人寿、新华保险和人保财险，发债额度分别达200亿元、200亿元和80亿元，发债利率在3.3%至3.59%之间。 业内人士分析，对于上市险企而言，通过发债补充资本金，不仅可以补充公司偿付能力，防范阶段性资本不足，提高抗风险能力，还可以改善公司资产负债结构，提升公司的市场影响力。 同样利用资本补充债券“补血”的还有光大永明人寿、中华人寿、中邮人寿、民生人寿、珠江人寿、农银人寿和长城人寿等非上市险企。相较之下，非上市险企的发债规模小得多，中邮人寿最高为60亿元，珠江人寿最低为3.5亿元。 业内人士表示，发债规模一般跟保险公司的业务规模及未来一段时间的业务发展规划挂钩，这些保险公司业务规模亦小得多，未来几亿元至几十亿元的资本补充债券，足以支撑公司接下来一段时间的业务发展。 记者统计发现，相较于上市险企，这些非上市险企的发债成本相对要高一些。即便是最低的农银人寿，发债利率也要达到3.6%，超过上市发债主体3.59%的最高值；发债成本最高的珠江人寿，发债利率则高达6.25%。 业内人士表示，相较之下，非上市险企的业务规模、主体信用评级等都要低一些，因此，发债利率会相对高一些。不过。当前流动性充裕，市场利率整体下行，资本补充债的发行利率呈走低态势，正是险企发债“补血”的好时机。
作为银行系的债转股实施机构，银行系金融资产投资公司（下称AIC）通过收购银行对企业的债权转为股权，起到降低企业杠杆率、化解金融风险的作用。银行系AIC通过债转股成功为企业去杠杆，成为助力资本市场发展的一股不可或缺的力量。 近期，交通银行旗下AIC公司——交银金融资产投资有限公司（下称交银投资）在今年设立的交银资本管理有限公司（下称交银资本）正式完成私募备案登记。这标志着五大国有行AIC均取得私募股权牌照，为银行直接参与股权市场铺平了道路。 银行系AIC“静水深流” 国有五大行AIC已在资本市场上全线布局。数据显示，2020年五大行AIC参与了数十家公司债转股操作，通过输入资本和战略管理，使不少公司可以轻装前行。 2016年，国务院发布了关于降低企业杠杆率的意见，要求金融企业根据市场化法治化原则进行债转股，切实降低企业杠杆率，增强经济中长期发展韧性。 银行系AIC在为企业减负过程中可谓功不可没。过去几年中，不少公司通过银行系AIC的债转股，有效补充了资本，同时降低了杠杆率，为后续发展奠定了良好基础。 此番实施债转股的银行系AIC与此前四大资产管理公司模式并不相同，更加突出市场化和法治化。 连续多个涨停的广百股份因筹划友谊集团置入工作而停牌。从披露信息看，作为五大行AIC之一的中银投资为友谊集团股东。 债转股建树颇丰 交银投资在债转股领域建树颇丰，特别是在新能源领域。2019年，交银投资敏锐地捕捉到新能源产业模式的变化，具备了实施债转股的条件。 特变新能源是特变电工旗下主营风电及光伏等清洁能源电站的建设运营的公司，全球光伏、风电装机容量累计超过16GW。但近几年公司逐步从主攻新能源电站建设向建设运营并重转型，在稳定盈利之时，也拉长了经营周期，资金周转趋缓，负债率水平较高。 交银投资相关人员表示，经过细致分析，认为通过债转股可以增加该公司资本金，降低负债率，有利于进一步支持公司新能源业务做大、做强、做优。 最终，交银投资对特变新能源成功实施债转股。通过增资与公司开展市场化债转股合作。交银投资直接增资入股10亿元，补充了企业资本金，降低了负债率。 对于超大型项目，国有五大行AIC也集体布局。 中国交建近年来承揽工程量逐年增加，施工行业特殊的高负债经营模式导致集团负债率持续保持高位。2016至2018年，集团负债率分别为76.76%、75.78%、75.05%。为实现降负债目标，同时为集团业务进一步发展预留空间，中国交建与五大行AIC积极开展市场化债转股业务。 中国交建优选九家下属核心一级子公司，分别与交银、工银、中银、农银、建信等多家债转股实施机构分批开展债转股试点。其中，中交一公局在交银投资实施债转股后，2019年完成营业收入1025亿元，增长率11.34%，营业利润13.06亿元，增长率248%，实现大幅增长。公司得以轻装上阵，进一步发挥了专业技术和市场优势，抢占“新基建”先机。 股权投资厉兵秣马 今年，银行系私募股权子公司也纷纷成立，银行直接进行股权投资将变为现实。 随着交银投资设立的交银资本正式完成私募备案登记，五大国有行AIC均取得私募股权牌照，为今后发展进行了制度铺垫。 3月份，银保监会批复国有五大行旗下子公司在上海开展不以债转股为目的的股权投资业务。 交银投资相关负责人向记者表示，交银资本作为交银投资的全资子公司，一方面将继续服务于国家供给侧结构性改革，发挥平台作用，募集社会资金服务于企业降杠杆业务需求，推进市场化债转股增量扩面提质；另一方面，将在监管政策允许的范围内，重点参与开展与上海自贸试验区临港新片区建设以及长三角经济结构调整、产业优化升级和协调发展相关的企业重组、股权投资、直接投资等业务。 从上市公司公告看，国有大行AIC已经开始筹谋股权投资市场。公告显示，中银投资与招商蛇口等机构共同设立深圳市中鑫招商信息技术股权投资基金合伙企业（有限合伙），投资于信息技术类科技创新企业或项目。
中国企业全球化小牛电动二季度电动踏板车销量同比增长61.2%。记者获悉，小牛电动昨日公布了第二季度电动踏板车销量。公告显示，2020年第二季度，小牛电动售出160138辆电动踏板车，同比增长61.2%。其中，中国市场二季度电动踏板车154959辆，同比增长81.0%。国际市场销量为5179辆，同比下降了62.3%。截至目前，小牛电动，已为全球13个国家、20个共享电动车运营商，提供基于 SaaS 的两轮电动车智能共享业务解决方案。一加电视新品印度开售，1分钟售罄。近日，一加在印度推出 U 系列和 Y 系列安卓电视，包括55英寸的 4K 机型、43英寸的全高清机型和32英寸的高清机型，均运行 Android TV Pie 系统，并带有名为 OxygenPlay 的一加定制内容推荐界面。这些一加电视新品在印度开售1分钟后售罄，一加方面表示正在准备下一轮的开售。（IT之家）印度红杉资本为专注印度和东南亚市场的新基金募资13.5亿美元。据 DealStreetAsia 报道，红杉印度董事总经理 Shailendra Singh 周一宣布，红杉资本已为两支新基金筹集了总计13.5亿美元的资金，这两支基金将投资于印度和东南亚地区的企业。Paytm 宣布斥资7600万美元收购印度保险公司 Raheja QBE，以推进其在保险领域的布局。据外媒报道，业内人士分析，收购 Raheja QBE 不仅可以让 Paytm 更快地再保险领域进行布局，还可以为其服务的 B 端商家提供服务，建立更完善的生态系统。据悉，Raheja QBE 目前提供的服务包括个人健康、住房、车辆等保险服务等。（DoNews）印度教育科技巨头 Byju's 正在就收购竞争对手 WhiteHat Jr 进行谈判。据 DealStreetAsia 报道， Byju's 提出了3亿美元的全现金收购要约，以收购这家总部位于孟买的教育科技初创公司。据悉，Byju's 希望借此扩大自己在印度教育科技领域的影响力，并在全国范围内扩展其服务类型。东南亚越南房地产公司 Phu My Hung 获得国际金融公司（IFC）7500万美元融资。据 DealStreetAsia 报道，国际金融公司在一份声明中表示，这项投资将使 Phu My Hung能够向其客户、供应商和承包商提供财务援助。Phu My Hung 主要为越南胡志明市民众提供住房，并向300多家企业出租办公空间，其中大多数是中小型企业。新加坡另类资产管理公司 Indies Capital 旗下第三支基金首轮募资金额达到1亿美元。据 DealStreetAsia 报道，该基金获得了淡马锡旗下私募股权机构 Pavilion Capital 的资本承诺。其他机构投资者、企业和家族投资者也为该基金进行了投资。印尼美容科技初创公司 Social Bella 完成了5800万美元的 E 轮融资。据 DealStreetAsia 报道，淡马锡和旗下私募股权机构 Pavilion Capital，以及新加坡风投机构 Jungle Ventures 参与了该轮融资。据悉，该公司于2019年9月完成了由淡马锡和新加坡风投机构 EV Growth 共同领投的4000万美元的 D 轮融资。其他特斯拉将在亚洲新建工厂，可能落户日本或韩国。记者获悉，7月6日，特斯拉 CEO 埃隆·马斯克（Elon Musk）发布推特表示，将在中国之外的亚洲其他地区建设新工厂。有媒体猜测，考虑到日本和韩国完善的汽车工业体系，特斯拉将可能在其中优先选址。图| 图虫
新兴消费成为拉动经济复苏的强劲引擎，也为消费金融市场再添一把火。当前，各方机构正加速开拓市场，平安、小米、美团等巨头纷纷入场，获取消费金融牌照、打造消费金融新产品，多家消费金融公司也加紧注资补血，加大技术研发投入，抢抓线上消费等新兴消费新机遇。 业内人士指出，随着各项促消费政策落地，消费金融行业正迎来新的发展机遇。互联网巨头在流量和金融科技能力等方面都有明显优势，其入场将加剧竞争并对传统消费金融行业造成冲击，中小型消费金融公司经营压力将加大，不过这同时也将给市场带来新的发展活力。未来，持牌合规、科技实力强的机构将迎来更大发展空间。 消费潜力释放 各方机构加码布局 近日，平安消费金融公司正式在上海发布旗下首款科技型个人循环消费信用贷款产品“平安小橙花”，以22周岁至45周岁泛年轻消费者多元金融需求为切入点，主打“贷款+支付”为核心的智能钱包功能。这也是平安消费金融开业两个月后，推出的首款产品。 无独有偶，重庆小米消费金融有限公司日前获得重庆银保监局的开业批复，成为第26家持牌消费金融公司。从业务来看，小米消金与平安消金类似，主打科技型消费金融。 在巨头加紧入局消费金融市场、转型持牌机构的同时，互联网金融服务也在加速向线上消费等领域渗透。上线一个月的“美团月付”于日前晒出了自己的“成绩单”：截至目前，月付用户的美团订单量平均提升超20%，交易金额平均提升超15%。此前，美团推出了信用支付产品“美团月付”，成为继蚂蚁花呗、京东白条和微信分付之后，又一个加入信用支付市场的巨头。用户在使用美团系App消费时，可以先用美团月付的信用额度完成支付再还款。 在专家看来，在系列拉动内需政策的助推下，新兴消费新模式潜力不断释放，给消费金融市场添了一把新火。“国内疫情正得到有效控制，内需消费将逐步复苏，未来扩大内需可以说是拉动经济的一个重要抓手，主导作用会更加明显。”中国社科院金融所法与金融室副主任尹振涛在接受《经济参考报》记者采访时表示，在此背景下，金融科技公司甚至具备实力的跨行业机构都在关注这一市场。 中邮消费金融相关负责人在接受《经济参考报》记者采访时表示，结合今年特殊的市场情况来看，消费金融行业特别是线上消金将步入快速发展的黄金时期，消费者刚需从线下向线上迅速转移，同时伴随政府一系列刺激消费、恢复经济的举措，让消费金融的关注度和市场比重大幅提高。 竞争火热 中小机构经营压力加大 纵观当前消费金融市场局势，在持牌消费金融公司中，形成了银行系、产业系、互联网系等派系；此外，还有一些科技公司，通过消费金融牌照、互联网小贷牌照等来开展消费金融业务。互联网巨头的到来，会给消费金融市场的竞争格局带来怎样的变化？ “互联网巨头在流量和金融科技能力方面都具有明显优势，能够在把握风控的基础上开发出更有优势的产品，正在对传统市场形成竞争压力。”融360大数据研究院分析师李万赋对《经济参考报》记者表示，传统消费金融公司和“银行系”拥有广泛的资金渠道和较低的资金成本，却在流量获取及科技风控能力上略有欠缺。麻袋研究院高级研究员苏筱芮也指出，互联网巨头可以利用自身的流量优势，为消费金融的获客带来渠道帮助。而市场上一些中小机构在流量方面存在劣势，未来可能会面临更大的经营压力。 事实上，为了跟随我国消费市场的扩张脚步、更好地应对市场竞争，多家消费金融机构也正加紧注资补血。今年以来，已有多家消费金融机构成功发行ABS、金融债。7月1日，乐信分期乐新一期ABS成功发行，回归公开债项市场。5月中旬，湖北消费金融注册资本由5亿元变更为9.4亿元。4月，银保监会安徽监管局同意华融消费金融公司增加3亿股普通股，增资后注册资本由6亿增加至9亿元。业内人士指出，增资有利于机构进一步夯实资本实力，增强市场竞争力。 值得一提的是，新入局者在加剧市场竞争的同时，也给市场带来了新活力。苏筱芮表示，互联网巨头平台优势明显，所涉业务包括但不限于电商购物、团购等，能够为消费金融探索更多场景应用。同时，互联网体系内尤其是金融科技巨头，其先进的科技水平对推动数字化消费金融、智慧型消费金融功效明显。 “此外，互联网公司因其用户基数大，可以更好发挥用户教育的作用，有利于整个行业拓展市场空间。”中邮消费金融相关负责人表示，总体上，随着扩张速度的加快，各类机构在获取优质客户上争夺会更加激烈。但各家公司有自己独特的发展战略与核心竞争力，相信行业将呈现百花齐放的发展态势。 科技赋能 抢抓行业新机遇 业内人士指出，随着新兴消费潜力释放，消费金融行业正迎来新的发展机遇。未来，持牌的、科技实力强的公司会有更多的竞争优势。 “近年来，国内信用消费市场呈现出了明显的从大额低频场景向小额高频场景转变、从一二线城市向下沉市场渗透的趋势，越来越多的消费人群开始习惯把信用消费当成日常消费的首选支付方式。随着90后、95后逐步成为消费主力军，这种趋势将愈发明显。”美团月付相关负责人对《经济参考报》记者表示。 乐信CEO肖文杰表示，做好年轻人客群的服务是未来消费行业的新机遇之一，这些年轻用户对未来有较好预期，但消费意愿往往受限于收入。同时，这部分人群也是银行服务没有覆盖到的新兴消费人群。 肖文杰还表示，未来的消费金融发展需要牢牢抓住科技的发展，不断加大技术研发投入，夯实平台战略根基。为满足该客群快速增长的消费需求，乐信自主研发了海量小微金融资产处理技术平台“虫洞”系统、AI风控引擎“鹰眼”系统等人工智能技术平台。 中邮消费金融相关负责人表示，下一步，中邮消费金融将紧抓科技赋能，建立双活数据中心，实施服务网格技术，进一步提升系统的灵活性和可扩展性，并全面实现服务场景化、自动化和智能化。
美国总统特朗普称，7月2日公布的就业报告显示，美国6月份的就业率有所上升，这证明美国经济正“强势归来”。对此，美国前劳工部长、时事评论员罗伯特·莱克在《新闻周刊》网站刊文称，特朗普就是“胡说”，他带来的是新冠病毒的“卷土重来”，可不是经济的复苏。 莱克在文章中指出，劳工部6月12日那周收集了数据，当时美国每天报告的新冠肺炎新增病例达到了2.5万例。等到报告发布的那周，这一数字飙升到了5.5万。 他讽刺说：“经济可并没有快速复苏。现在只有一半多一点达到工作年龄的美国人有工作，是70年来的最低水平。强势而来的是新冠病毒。除非控制住它，否则经济别想复苏了。” 对于特朗普“美国确诊病例数增加是因为检测做得多”的说法，莱克也予以了反驳，称“这种激增是因为美国在新冠病毒被控制住以前就重启经济”。他指出，即使是在检测数减少的地方，新增病例也在上升，比如威斯康星州过去的两周的检测数减少了14%，确诊病例却激增了28%。 莱克分析认为，特朗普之所以拒绝采取必要的防疫措施，是因为他一心想在大选之前在经济方面拿出比较好的成绩。他把事情都甩给州长和地方官员，然后警告他们，关停经济比疾病更糟。他甚至呼吁民众将各州从公共卫生的限制措施中“解放出来”。 到目前为止，特朗普依然没有拿出全国性的疫情应对计划，来检测、追踪和隔离感染者，他甚至不要求民众佩戴口罩。上周，民主党方面指责他迟迟不批准用于检测和追踪的近140亿美元的资金，而这笔钱早在4月份的时候就获得了国会的通过。 莱克表示，如果把美国这样糟糕的情况放到其他经济富足的国家，应该会是另外一回事了——疫情会得到控制，经济逐渐重启，病毒不会死灰复燃。 他说：“遏制新冠病毒传播和让经济重回正轨之间从来都不是冲突对立的，前者始终是后者的先决条件。特朗普不采取任何控制疫情的措施，带来的不仅仅是数万生命的白白逝去，还使经济陷入停滞。” 他认为，6月份美国就业人数的增加完全是因为匆促的经济重启，但是现在情况正在反转。例如，在重启经济的亚利桑那州，州长道格·杜西最开始的时候拒绝订购口罩，甚至禁止地方官员订购。上星期，他又关闭了健身房、酒吧和电影院。此外，佛罗里达州、得克萨斯州和加利福尼亚州都出现了类似的情况。 莱克指出，美国各地正在大规模的重新关停，就像重启一样进行得那么随意。“在这场美国历史上最严峻的公共卫生紧急事件中，已经有近13万人失去生命，但依然没有人站出来负责。”他说。 他呼吁美国民众“打起精神”，因为在接下来的几个月里，不仅会有更多人死于新冠肺炎，而且还会有数百万人陷入贫困的漩涡。据估算，大约2500万美国人已经或即将失去雇主提供的医疗保险。 最后，莱克表示，政府的当务之急是控制住疫情，帮助美国民众在身体上和经济上渡过难关。
对百度来说，联邦学习+金融会产生怎样的火花？此次课程，他将分享基于联邦学习技术的百度金融安全计算平台（度信）建设与实际应用，讲述如何借力安全技术架构、脱敏方法和合规制度设计，在“用户充分授权、数据来源合法合规”前提下，打破数据孤岛，实现多方数据加密融合建模，助力金融企业业务的开展。以下为谢国斌演讲全文内容，AI金融评论做了不改变原意的编辑：百度智能云的数据孤岛破解之道我们在跟很多的金融客户进行沟通的时候，他们普遍面临的痛点，就是数据孤岛和隐私保护的问题。目前的现状是，一方面要保护客户的隐私，另外一方面，数据孤岛在不同的程度上存在着，去年央行发布的金融科技三年发展规划里，也强调了要“消除信息的壁垒；数据融合。”今年4月，国务院也在《关于构建更加完善的要素市场化配置体制机制的意见》里，强调了数据的共享、数据资源的整合和安全保护。所以，“数据孤岛”和“隐私保护”两者的困境，在业内一直是个难题。行业里做这块技术的公司，一般有如下路径在积极探索：其中一种就是联邦学习；还有与之接近的，就是在做参数交换、梯度交换的时候，会用到的多方安全计算。另一种以硬件加密为主，可信计算（TEE），在内存里做安全加密。以及基于云安全，做安全隔离域的方法。基于刚才说到的痛点，百度推出了度信金融安全计算平台，做数据融合，前提是强调用户要充分授权，数据来源要合法、合规。也提出了联合建模产品，拒绝数据孤岛的存在，产品对上面几种路径都是支持的。今天的要点，主要是分享在联邦学习和多方安全计算技术路径上，我们所做的尝试和产品的研发。我们的金融安全计算平台有以下特点：平台主要服务于金融行业to B客户，会考虑行业里特别关注的一些场景，比如营销、风控、投研、反欺诈。我们基于金融的建模，有一些专用的功能点增强。从安全特性上，无论硬件软件，有多种的方式进行技术加固。金融云专区上，我们通过了国家的四级等级保护；数据流通方面，我们今年通过了信通院的相关技术测评。从计算建模层面看，我们是自主操作，甲方乙方各自操作，全程免编码，流程很简单，性能比同类的算法也要快。私有云、公有云和私有化方面，我们有多种方式部署，产品目前也能提供工业级的使用体验，包括严格的工程封装、项目的验证实测，还有百度沉淀的金融行业案例、提供金融行业的场景的解决方案。度信金融安全计算平台的技术方案我们这个平台建设，刚才提到用三大类技术方案，统一前端入口和统一后台架构。后台的架构，从下往上看，分为执行层、应用层、操作层、场景层。从执行层看，中间是基于多方计算的联邦学习引擎，引擎最下面是基于加密的密码学算法和一些常用的不经意传输、同态加密、密钥分享等。往上是基于密码学算法的多方安全计算，双方或多方的加密数据的协调和交换，隐私的PSI对齐、ID化、联邦分析和联邦学习。再往上是应用层一些基于模型的算法的应用，这个是标准的机器学习建模流程。操作层有可视化的操作平台和4A安全赋能金融行业，打造营销风控端对端的场景化建模功能。我们的平台架构，需要满足三个不同的客户需求：定制化方案要满足客户不同的安全等级要求；有客户对建模要求较高，那对算子、算法、模型多样性、交互和应用性方面要求就高一些，我们也会提供类似的解决方案。还有对不同的资源配置，构建私有云、公有云和专有云支撑，支持不同的部署方案。这个平台的操作很简单，就是三个步骤。先是合作的AB双方，完成本地数据的上传。原则上都是上传到自己的IDC机房里，数据不出域。第二步细分为几个小步骤：1.数据的融合，会通过隐私保护的求交技术PSI，达到双方的数据的可用不可见。强调一下，融合不会泄露双方的数据隐私，比如说甲方有一亿的客户，B方有5000万的客户，双方去求交集，求出来只有500万客户，那么我们只知道这500万的交集，剩下的客户群双方都是不知道的。即使求交了这500万的客户，我们也只有某一个主要的使用方，比如甲方银行在使用的时候，才知道这500万相互求交的客户号码是什么。2.求交的这批客户，我们会进行简单的特征工程，一些算法模型训练，包括像机器学习的逻辑回归、GBDT等，也按照这个数据拆分，做完模型训练、输出模型报告以后，进行模式部署、模型推理和预测发布。第一步上传样本比较简单，把数据上传以后，摁一个按键，就会看到这一横行里数据的上传成功，然后AB双方在这个地方点鼠标发布，数据才传到本地的服务器上面。第二步模型训练，会自动包含刚才说的样本对齐，包括可选的特征工程，还有算法参数、算法选择等。在模型训练过程中，等它出来一个结果，就会有一些像我这里截屏的模型，配置基本信息，比如双方对齐了多少样本，有哪一些特征？这里只能看到特征名称。我们算法所涉及的每一个主要参数是什么样的。这里以逻辑式回归为例，生成模型评估报告，像ROC、KS值等等，就完成整个模型训练。第三步就是模型预测，需要在页面新建预测任务名称，包括描述，还有我们选择哪个预测的模型。生成的模型在这里做选择，再选择要预测的数据集，点蓝色按钮完成整个模型预测过程。一定时间后，就会看到右下角预测成功的显示，整个模型的离线预测就完成了，也可以用新建预测服务以API的方式供外调用。我们平台的设计理念，是全程免编码，通过鼠标的拖拽来完成的。度信平台在银行业、保险业的应用银行信贷产品的互联网营销这家银行开展信贷业务时，需要通过互联网去线上获客，但它并没有这种线上资源或流量去投放，也没有相关风险管理经验，于是它就跟某家互联网公司进行渠道上的联合建模，实现精准获客和控制风险。首先是银行把他的数据和互联网合作方，把数据在自己的机房里边准备好，然后各自联邦学习时，上传梯度参数。在互联网渠道这一端，主要是上传数据，建模发生在银行这端自行操作，就完成了整个建模过程，达到了数据模型建设，完成后确定合适人群。第三步，精准广告投放，包括精准获客，这部分我们项目的客户日均调用量是50万笔。整体贷后表现非常好，降低了风险，也节约了这家银行的成本。线上风控+联邦学习因为银行没有过往的一些互联网行为信息，也需要为此通过互联网渠道来合作、来进行联合建模。联邦学习最后的效果就是，让申请率提升了，通过率又稳定在一定的范围内，不良率低于银行业同业平均水平。这个案例，我们推送的贷款客户金额是超过千万；通过率控制在稳定范围；该案例的不良贷款率是0.38 ，比去年银行业1.81的不良率低了不少。不同险种交叉营销这个案例是一家车险公司的业务，在客户里筛选健康险的意向用户，进行精准点对点促销。建模流程与上个案例类似，由保险公司提供的高响应人群样本和互联网公司的数据进行融合训练，最后结果运用于全量的车险客户群。效果上，这个模型的AUC值达到了0.76，减少了对客户的打扰，也降低了营销的成本。联邦学习落地金融的关键技术点联邦学习本质上是软件加密技术，数据不出域、不出本企业，主要是通过梯度参数出域。从本质上来说是去中心化的方案。横向联邦由谷歌在2016年的时候研发出来，即数据的水平切分，主要用于金融同业间的数据融合。横向联邦学习的计算步骤主要有四：双方发送加密的梯度，安全的聚合，发送聚合的加密梯度参数，再解密梯度更新模型。纵向联邦学习基于数据的垂直细分，主要用于金融业和非金融行业，特别是像一家银行和一家互联网公司的数据融合。两家公司的客户群很多时候是重叠的，特征互补。首先有分发公钥，加密交换中间的结果，再进行加密梯度和损失的计算，然后更新模型。在和金融企业沟通的时候，我们发现他们关注的点有这些：整个联邦学习里，金融企业运用最多的是纵向联邦学习，金融机构更想看到的是和他非同业之间的数据融合。银行在和第三方机构合作时，非常强调这些数据进来以后，对指标的一些增量贡献，在意的是在现有基础上的提升。如果在现有基础上，引入的数据源没有很大幅度的提升、效果不明显，对金融机构的吸引力就会降低。同时金融机构也强调数据源的差异化，如果数据来源都很类似，那对指标的贡献、对模型效果，提升度不是很大。联邦学习是整个框架里的主要技术。另外，多方安全计算所涉及的加密技术，其主要原理如图左所示，四个参与方在针对任何一方都没有可信的情况下，安全地进行多方协同计算。在一个分布式的网络中，多个的参与实体各自持有秘密的输入，完成对某函数的计算；但是要求每一个参与实体，除了计算的最终结果以外，其他的中间过程，包括自己其他客户的原始数据，任何的输入数据都是不可以看到、都是不可以获得的，这保证了参与各方的数据的安全性。在安全计算过程中，所用到的一些密码学或加密技术，概括起来有这么七种。混淆电路，来自于物理学电路原理：一堆人各自拥有隐私数据，想把数据合起来进行计算，但又不想把数据交换给别人，典型的案例就是百万富翁问题。不经意传输，服务的某一个接收方，以不经意的方式得到服务的发送方输入的一些信息、信号，这样就可以保护接受者的隐私不被发送者所知道。秘密的比较协议，计算的双方各输入一个数值，但是他们又希望在不向对方泄露自己的数据的前提下，比较出这两个数的大小。同态加密，用这种方法先计算，后解密，也等价于先解密后计算。同态加密里也有加法同态、乘法同态，包括全同态、偏同态、半同态等，它在联邦学习中应用也较多。秘密分享，将秘密分割存储，多个参与者要相互协作才能恢复秘密的消息，如果有一方没有参与，是没有办法把这个秘密完全恢复出来的。零知识证明，证明者能够在不向验证者提供任何有用的信息情况下，使验证者相信某个论断是正确的。差分隐私，这在业界应用也比较多。百度在多方安全计算方面，有自己的MPC平台架构。我们的平台架构分为这么六层，从基础到应用，有运行环境基于DOCKER的，还有基于云和SERVER的。在基础的运行环境往上，有刚才说到的六七种加密算法。再往上是整个系统包括TLS、4A这一块的安全。再往上是系统平台层，有用户角色管理，包括数据和分布式调度、监控等。再往上看是数据的接入，再到数据的应用。下面我会重点介绍三类算法，都是百度自研的。第一种是逻辑回归，逻辑回归是常用的二分类的分类器，在这种分类器上面我们加了一个基于PrivC的加密算法的逻辑回归，这种算法是基于MPC的安全学习。我们在19年的安全顶会上面发表了关于这个算法的文章，特点是训练速度和在公开的服务器上的明文相比，速度大概会是在明文算法的40倍以内，也就是明文算法假如要用时1分钟，那么我们要用时40分钟。这里有一个案例，就是我们基于深度MNIST公开数据集，6万行784位的运算，我们用时25秒，时间还是比较快的。在下面的截图，我们看到一些Table2，在一些加减还有一些常规的比较上面，基于我们自研的PrivC的算法和公开的其他的一些加密算法，像ABY、EMP、SPDZ等等，我们的运算速度都比他们快，标出的黑色数值是越小越好。我们的准确率和明文算法比，会达到99%左右，比明文算法低一点点，一般的梯度，有时候建模如果控制得不太好，都会有一些模型的损耗，而我们的损耗是比较少的。第二种算法，就是基于梯度提升的算法，有GBDT、XGBoost,再快一点的有LightGBM,我们这种算法叫SecureGBM,它是在LightGBM级别的基础上改造而成的。基于 LightGBM基础上改造而成的这种算法，我们也是发表在19年的IEEE国际大数据会议上，大家看到左下角有一个截图，红色的框是百度自研的叫SecureGBM,蓝色的框，LightGBM-（A,B）就是明文算法，我们算法最后的结果和同类的最好的明文算法去比，在没有用任何加密的和普通的建模相同的条件下，AUC值的差距大概是在3%以内。我们也比较了其他的一些明文算法，在这个图里边是-A或者-B，它是用了一些加密的联邦的一些算法去比AUC值，我们的算法都是比其它的算法会高一些，但我们会比明文的算法大概低三个AUC值，在3%以内。第二个是它的运算速度，从这个截图看到，对比了16,000个样本，我们的算法和明文算法去比的话，我们的速度大概是明文算法的6倍，也就是明文算法如果用一分钟的话，我们会用六分钟，这个已经是非常好的效果了。这个地方我们也提到，我们现在用的这个Paper里边是16,000个样本，如果样本增加到10万个，或者再往上增加，我们这个算法的运算效率会更高。那么我们SecureGBM和明文算法的LightGBM，双方数据在一起，比较了在训练集上的AUC值和F1值，大家会看到有一条红线和一条蓝线，在截图里面红线和蓝线绝大多数时候是靠在一起的，走势是相同的，非常的接近。说明我们的这个算法和明文的LightGBM的算法，在AUC值、在F1、在训练集上和测试集上，达到了非常类似的一个效果。第三种算法基于深度学习，PaddleFL，是在我们百度自研的一个开源的深度学习框架飞桨的基础上，研发出来的开源的联邦学习框架。下面是开源框架的github的网址，通过PaddleFL，使用人员可以很轻松的去复制和比较不同的联邦学习算法，也可以在分布式的大规模集群里面去使用。这种PaddleFL主要用在深度学习算法里边，用在计算机视觉、自然语言处理和推荐算法的一些领域，也提供一些传统的机器学习的训练策略。比如说像多任务学习，还有一些迁移学习、主动学习等等，我们底层也提供基于分布式的训练和Kubernetes的训练任务的弹性的调度能力，可以进行全站开源软件的侵入和部署，下面是基于我们的飞桨的一个的架构图。接下来是编程模型、参数服务器、到端侧训练和弹性调度，再往上是我们联邦学习的训练策略及应用。联邦学习策略这块我们也有纵向的联邦学习，刚才提到的PrivC的逻辑回归，横向的联邦学习，还包括DPSGD基于差分隐私的随机梯度等等。我们也有常态的一些机器学习，像迁移学习，多任务学习，主动学习等基于联邦学习的任务，还有基于深度学习的自然语言处理、视觉、推荐这一块的学习任务，都是在PaddleFL的基础上来做深度联邦学习的建模。PaddleFL的架构设计，图的左边叫编译Compile Time，是首先通过联邦策略，去设计一些算法策略，然后在中间设计训练策略，再用分布式的配置，合成以后，传到中间任务的调度上面。任务调度再传到参数的任务和训练的任务上面生成了job以后，再传到这边运行。运行这一块有参数的服务器和worker，再下面是调度器，整个就会把服务提起来，然后进行分布式的训练，这是PaddleFL的架构设计。同理，我们也有基于MPC的联邦学习，分成三部分，一是图右部分，基于数据的准备，首先有私有数据的对齐和数据加密及分发。二是训练和推理过程，和Paddle的运行模式一样。首先要定义协议，在策略训练和推理完成后，就会到这个图的最右边进行结果的重构。这一块就会把模型的结果或者预测结果，由加密方以加密的形式输出，结果方可以收集加密的结果，在PFM工具中进行解密，再将明文的结果传递给用户，就完成了整个MPC的联邦学习过程。安全保证是金融企业最高优关注点我们先看看现有的模式，现有的模式只有几个，在没有用到联邦学习的时候，状态是自己的IDC机房的网络和外界是隔离的，没有联通互联网，数据不进不出，因为只用到自己的核心系统的数据，数据是物理隔离的。但是这个模式最大的问题，就是在它的建模过程中，会存在着一些天花板，比如刚才提到的KS值，如果做到0.35了，就再也不能再往上做了。模型效果更多的取决于特征工程，而他又没有用过外面的无论是互联网，还有政府，一些运营商的一些领域的数据，那么一些风控也好，营销的行为它是拿不到的，模型的上限是由多维度、多样性来决定的，所以达不到很好的建模效果。于是就衍生出来第二种模式，叫标准分的调用模式，标准分的第二个模式，它也是有自有机房，但是它的网络变成不是隔离的了，而是单通道的，就是它的数据只进不出。在网络这块，因为开了一个单向的通道，有可能存在一些被黑客攻击的风险，这个标准分的调用也有一些弊端。大家知道，进来的只是一些标准分，也就是说，外面的数据过来的可能就是一个变量或者两个变量，它是一个高维特征压缩以后的、降维以后的一些特征的输入，每次输入只有那么两三个特征。这种高维特征压缩降到两三个维度以后，有非常多的特征信息是损失了的，所以它提升的建模效果在信贷场景可能只提升那么一两个点，比如像KS值是0.35，提升到0.37、0.38就到了天花板了。我们今天谈到联邦学习的模式，它的数据通道是双通道的，双方要进行梯度或模型参数的交换。首先，双方数据对上面的一个中间节点要进行上传，但是它的原始数据没有出域，它的参数数据或者模型的参数或者梯度参数，是通过加密的方式来出域的。从这个角度来看，因为它的网络通道打开了，存在潜在的被黑客去攻击的风险。梯度参数的话，从现在的业内的研究来看，也存在一些被反解，或者一些隐私被攻击的方法。还有一个，它有一个强烈假设，就是需要参与的双方或者各方，需要满足诚实、半诚实模型的原则，如果有一方有严重的欺诈，去改变了模型的一些参数，或者是一些游戏规则，模型的安全也会受到一些挑战。这是联邦学习目前和上面的现有模式、标准的模式相比，所面临的一些优点和缺点。那么这里会就提到模型提效，模型提效是一把双刃剑。现有模式下，在右边的这样一个方程式，目标标签Y是来自于金融企业本身，它的X特征也是来自于这家企业，企业只用自有的数据建模，没有外部数据带来模型效果提升，就会面临天花板。我们再看联邦学习这种方式，刚才提到，通过梯度参数的交换来建立模型，那么基本上双方数据没有降维，外部提升的最大好处就是，带来的模型效果提升非常大，与明文相比的话，它的精度损失基本上还是比较小的。但是，在和很多金融企业沟通后，知道它有非常大的短板，企业有各种各样的顾虑。1.建模的过程中，即使想用联邦学习来进行建模，金融企业很多时候并不愿意把自己的特征放进来，但是可能只会将自己客户的ID和目标变量Y放进来，因为金融企业会觉得用联邦学习来建模，有可能存在一些数据安全的问题。2.他们也希望拿到一些数据以后，再做二次建模，以满足金融监管的要求，因为在金融监管这一块，特别是在信贷风控的场景，希望金融机构要自控这个模型本身，而不能把这个模型交给外部的机构去控制。安全保证和数据提效前提下的得与舍在数据的安全保证和数据提效的前提下，联邦学习还要面对什么样的得和舍呢？第一个，从运算速度来看，现有的银行在自己的机房里面进行明文计算的数据建模，它的特点是运算速度很快，可以用像spark、Tensorflow、PaddlePaddle等分布式技术去做这种很成熟的运算。但是到联邦学习就不一样了，刚才提到，它的训练速度至少会比明文计算，少则慢一个数量级，慢10倍几十倍，也有慢两个数量级几百倍的这种可能性。第二块就是它现有的分布式技术还不太成熟，这是他在速度这一块可能需要去考量的。第二个，从算法种类来说，明文算法它是基于Python的开源社区，算法生态非常多，上千种上万种，顶级论文的开源代码，基本上就是按天、按周来迭代，更新的频次非常快。但是在联邦学习的算法过程中，要考虑到数据参数的加密，所以它的研发非常困难，我们的算法种类相对而言都是比较少的。业界现在能看到的也就是那么几种或者几十种，并且也不可能把最新的算法研发出来用在联邦学习这个领域。第三块，就是产品的应用性，因为现在基于明文数据的这种算法，AI开发平台有非常多，支持多种框架，还有它和数据的中台的融合，非常好对接。那么对纯代码方式来讲，金融行业去使用时，因为金融行业很多用户也不是经常做coding，所以他的学习曲线比较难、比较高。刚才也提到如果用代码这种方式，它跟这个操作系统有些时候需要linux shell脚本方式进行交互，那么它的安全性可能会存在一些缺陷。百度的度信平台在这一块用纯界面的方式，也面临着一些开发的周期和实施的难度。这个是联邦学习与建模要考虑的问题。所以我们在考虑安全，在考虑数据对建模效果业务绩效的前提下，我们在运算速度上，在算法的种类的选择上，在产品的应用上，都做了一些权衡和一些损失，但有些时候这种损失和这种权衡是值得的。下面一点，就是百度金融专有云，如果是联邦学习在我们的金融云、专有云上面进行部署的话，我们还额外提供七重的数据安全保障。这七重的数据安全保障在这个图里边用1234567都标注出来了。一块是我们提供异地的灾备，我们在武汉、北京和上海有异地的百度金融云专区。在数据的交换过程中，我们会提供一些芯片级的算法级的加密，包括在网络的通路上，也提供一些加密的传输，让加密的数据被截取以后都是不可用、不可解的。我们参与方的数据在云上的链路也好，在云上的一些硬件的里面，双方都是互不可见的。安全的数据脱敏方法和合规制度保障在完成了整个建模的过程以后，比如说金融企业的数据要有用户要查处，最后模型在使用的时候，有一个数据的健全，如果没有授权的话，是不可以去使用产出模型的。除了联邦学习以外，我们在整个云上、在物理链路上、存储量上、硬件上做了各种各样的加密去保证安全，而不只是运用了联邦学习技术本身，或者只是开发一个平台。在和金融企业的沟通中，我们发现，即便双方要进行联邦数据的融合建模，也可以采取刚才说到的，双方先有两个数据宽表，然后再进行融合的联邦学习。在生成这两个双方的数据宽表的同时，还可以采取一些更加安全的数据脱敏方法，用的比较多的就是K-匿名化，这个是保护客户数据隐私的一种重要方法。我们希望双方在生成数据宽表的时候，甲方和乙方都能够采用类似于匿名化的技术，让双方的原始特征数据脱敏得比较彻底，不能够被反推。虽然联邦学习本身也非常安全，在这个基础上，我们能够用更多的数据脱敏的方法。右边这一种也是类似的，我们会用差分隐私的一个方法，在数据集中里面产生一定的噪声，这种随机造成它可以通过一些概率分布前置来产生，这样就在设计过程中很难去推断出客户的一些隐私。和金融机构合作时，在数据的安全管控上，我们也会提供一整套的安全的合规的保障制度。首先是从公司的治理层面，数据和流程层面及安全的能力层面，我们从不同的角度去看这家金融企业和它合作的另外一个互联网企业，只要用到度信平台，我们会提供一整套的关于安全保障机制的建议。还有一块就是数据的生命周期安全，我们考虑到六个环节，数据的收集和产生要合规，我们有数据的分类分级和安全日志。那么在传输和传递过程中，有加密和传输的安全的监控。第三块就是存储，在存储的安全和数据的加密备份这一块，也要考虑安全。第四就是它整个数据的加工的环境，使用方和用户授权等等，也要保证安全。第五个环节涉及整个的流通与共享，包括对内流通和对外流通，我们要考虑相关的安全性。当我们使用完联邦学习以后，也要有相应的动作，不要让数据留存在双方的服务器里边。整个的安全制度合规保障和数据的生命周期，都是我们在实践中慢慢总结出来的。对于整个联邦学习，额外增加了一些针对金融行业更加安全的一些举措和方法论。我们也通过度信在这样一个平台的实施过程中，慢慢把这种方法论传递给金融机构，传递给合作方，让我们整个在运用联邦学习的过程中，更加保证整个数据的安全，让数据可用不可见。
登录
工商服务
危机公关
金融律师
app开发
财税服务
金融牌照
网站建设
知识产权
企业征信
审计评估