2022年1月16日，習(xí)近平總書記發(fā)表署名文章《不斷做強(qiáng)做優(yōu)做大我國(guó)數(shù)字經(jīng)濟(jì)》，指出數(shù)字經(jīng)濟(jì)正在成為重組全球要素資源、重塑全球經(jīng)濟(jì)結(jié)構(gòu)、改變?nèi)蚋?jìng)爭(zhēng)格局的關(guān)鍵力量。一直以來，黨和國(guó)家高度重視發(fā)展數(shù)字技術(shù)、數(shù)字經(jīng)濟(jì)。作為數(shù)字經(jīng)濟(jì)的有機(jī)組成部分，數(shù)字金融是數(shù)字經(jīng)濟(jì)時(shí)代實(shí)體企業(yè)蓬勃發(fā)展的助推器。數(shù)字經(jīng)濟(jì)與數(shù)字金融的發(fā)展并沒有改變經(jīng)濟(jì)與金融之間的關(guān)系本質(zhì)，而是通過運(yùn)用現(xiàn)代信息技術(shù)和新興數(shù)字技術(shù)，有效提高了經(jīng)濟(jì)與金融活動(dòng)的效率、降低了成本、防范了風(fēng)險(xiǎn)。數(shù)字金融的內(nèi)涵是金融行業(yè)及相關(guān)產(chǎn)業(yè)的數(shù)字化轉(zhuǎn)型發(fā)展；其外延隨著數(shù)字經(jīng)濟(jì)的發(fā)展，逐漸聚焦形成消費(fèi)數(shù)字金融、普惠數(shù)字金融和產(chǎn)業(yè)數(shù)字金融三種主要業(yè)態(tài)。通過對(duì)消費(fèi)經(jīng)濟(jì)、普惠經(jīng)濟(jì)和產(chǎn)業(yè)經(jīng)濟(jì)進(jìn)行數(shù)字化轉(zhuǎn)型升級(jí)，并以數(shù)字技術(shù)作為溝通銜接，與數(shù)字金融有機(jī)結(jié)合起來，形成經(jīng)濟(jì)與金融高質(zhì)量、高效率發(fā)展的良性循環(huán)，全面推動(dòng)數(shù)字經(jīng)濟(jì)時(shí)代社會(huì)經(jīng)濟(jì)的蓬勃發(fā)展。
產(chǎn)業(yè)數(shù)字化是數(shù)字經(jīng)濟(jì)發(fā)展的重要方向之一，而產(chǎn)業(yè)數(shù)字金融則是產(chǎn)業(yè)數(shù)字化、數(shù)字經(jīng)濟(jì)規(guī)模化發(fā)展的加速器。金融永遠(yuǎn)不變的核心本質(zhì)是風(fēng)控，其實(shí)質(zhì)是運(yùn)用現(xiàn)代數(shù)字技術(shù)將數(shù)據(jù)算料通過算力、算法等新型基礎(chǔ)設(shè)施平臺(tái)加工成智能風(fēng)控模型，從而降低由業(yè)務(wù)參與各方信息不對(duì)稱造成的業(yè)務(wù)不確定性。然而，產(chǎn)業(yè)數(shù)字金融風(fēng)控所使用的數(shù)據(jù)要素情況不同于以往，特別是對(duì)公客戶場(chǎng)景化、生態(tài)化細(xì)分后，數(shù)據(jù)樣本量很小，難以滿足風(fēng)控建模的需要；而小樣本學(xué)習(xí)目前在機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘領(lǐng)域仍屬世界性難題。本文從小樣本學(xué)習(xí)技術(shù)創(chuàng)新入手，深入探索數(shù)字經(jīng)濟(jì)時(shí)代下面向產(chǎn)業(yè)數(shù)字金融的小樣本學(xué)習(xí)應(yīng)用研究與實(shí)踐。
面向金融風(fēng)控領(lǐng)域
的機(jī)器學(xué)習(xí)算法模型
傳統(tǒng)的商業(yè)銀行風(fēng)控體系以定性風(fēng)險(xiǎn)管理為主，主要使用風(fēng)控規(guī)則及客戶評(píng)級(jí)等方法，輔以線下盡調(diào)的方法；傳統(tǒng)風(fēng)控模型對(duì)包含客戶歷史行為和相關(guān)活動(dòng)的數(shù)據(jù)進(jìn)行分析，但難以預(yù)測(cè)性地揭示未來風(fēng)險(xiǎn)的變化情況，且數(shù)據(jù)獲取方式單一、定量分析結(jié)果相對(duì)較弱。數(shù)字經(jīng)濟(jì)時(shí)代下面向數(shù)字金融發(fā)展，商業(yè)銀行越來越強(qiáng)調(diào)運(yùn)用金融科技力量來降低風(fēng)險(xiǎn)管理成本、提升客戶體驗(yàn)，以數(shù)據(jù)驅(qū)動(dòng)風(fēng)控能效的提升，以人工智能算法為基礎(chǔ)建立智能風(fēng)控評(píng)價(jià)體系。
在商業(yè)銀行風(fēng)控場(chǎng)景中，往往會(huì)選用一些效果佳、業(yè)務(wù)可解釋性強(qiáng)的有監(jiān)督學(xué)習(xí)分類算法來構(gòu)建風(fēng)控模型，如邏輯回歸、決策樹以及集成算法等。通過內(nèi)外部數(shù)據(jù)融合、數(shù)據(jù)預(yù)處理、特征工程等方法進(jìn)行數(shù)據(jù)準(zhǔn)備，并根據(jù)場(chǎng)景需求及業(yè)務(wù)數(shù)據(jù)特點(diǎn)，選擇合適的算法開展分析建模，并進(jìn)行模型的部署和監(jiān)測(cè)。
邏輯回歸（Logistic Regression）常用于二分類問題，其原理源于線性回歸，運(yùn)用Sigmoid函數(shù)把線性回歸的結(jié)果（-∞，∞）映射到（0，1）之間。邏輯回歸因其業(yè)務(wù)可解釋性較強(qiáng)、計(jì)算速度較快、對(duì)線性關(guān)系的擬合效果較優(yōu)、上線便捷、方便管理等特點(diǎn)被廣泛應(yīng)用于銀行場(chǎng)景的二分類任務(wù)中，尤其是銀行風(fēng)控領(lǐng)域。
決策樹（Decision Tree）利用其類似于樹杈的模型結(jié)構(gòu)，通過對(duì)一系列問題進(jìn)行“是/否”的推導(dǎo)，最終以結(jié)構(gòu)圖的方式來解決決策問題。在多數(shù)情況中，決策樹有一個(gè)根節(jié)點(diǎn)、多個(gè)內(nèi)部節(jié)點(diǎn)和多個(gè)葉節(jié)點(diǎn)，因其從“樹根”到“樹葉”可以形成多條分類規(guī)則，模型可解釋性強(qiáng)，同時(shí)分類準(zhǔn)確性往往較優(yōu)、模型應(yīng)用便捷，因而決策樹算法被廣泛應(yīng)用于金融風(fēng)控建模中。
集成算法（Ensemble Algorithm）通過組合多個(gè)簡(jiǎn)單算法形成累積效果，這種方法得到的模型準(zhǔn)確性往往更高，可謂“博采眾長(zhǎng)”，但模型訓(xùn)練時(shí)間較長(zhǎng)、模型可解釋性弱。集成算法的思想主要分為三種：裝袋算法（Bagging,亦稱為Bootstrap Aggregating，引導(dǎo)聚集算法）、提升算法（Boosting）和堆疊算法（Stacking）。基于Bagging思想的代表性算法為隨機(jī)森林（Random Forest），以及基于Boosting思想的代表性算法為XGBoost和LightGBM，均在金融風(fēng)控領(lǐng)域應(yīng)用較廣。
上述有監(jiān)督學(xué)習(xí)分類算法往往需要在較大規(guī)模訓(xùn)練數(shù)據(jù)樣本中，通過算法運(yùn)算對(duì)數(shù)據(jù)樣本情況進(jìn)行歸納提煉，形成知識(shí)模型并實(shí)現(xiàn)智能應(yīng)用；若模型訓(xùn)練數(shù)據(jù)樣本積累不足（如創(chuàng)新業(yè)務(wù)領(lǐng)域“冷啟動(dòng)”狀態(tài)），尤其在二分類任務(wù)中“1”“0”標(biāo)簽分布極度不平衡（如信用風(fēng)險(xiǎn)預(yù)測(cè)、欺詐識(shí)別場(chǎng)景等）的情形下，算法建模效果將大打折扣甚至完全失效。
基于關(guān)聯(lián)規(guī)則挖掘
的智能風(fēng)控小樣本學(xué)習(xí)
關(guān)聯(lián)規(guī)則挖掘技術(shù)（Association Rule Mining）
關(guān)聯(lián)規(guī)則挖掘問題由Agrawal等人于1993年提出：設(shè)I={i1, i2, ..., im}為所有項(xiàng)目的集合，D為事務(wù)數(shù)據(jù)庫，事務(wù)T是一個(gè)項(xiàng)目子集TI。每一個(gè)事務(wù)都具有唯一的事務(wù)標(biāo)識(shí)T_ID。設(shè)A是一個(gè)由項(xiàng)目構(gòu)成的集合，稱為“項(xiàng)集”。事務(wù)T包含項(xiàng)集A，當(dāng)且僅當(dāng)AT。關(guān)聯(lián)規(guī)則是形如X→Y的邏輯蘊(yùn)含式，其中XI,TI,且X⌒Y=。如果事務(wù)數(shù)據(jù)庫D中有S%的事務(wù)包含XY，則稱關(guān)聯(lián)規(guī)則X→Y的支持度為S%。若項(xiàng)集X的支持度為Support（X），規(guī)則的置信度為Support（XY）/Support（X），這是一個(gè)概率條件P（Y|X），也就是說：Support（X→Y）=P（XY），Confidence（X→Y）=P（Y|X）。為避免挖掘過程中產(chǎn)生過多不必要的規(guī)則，往往引入最小支持度min_sup和最小置信度min_conf這兩個(gè)閾值。
關(guān)聯(lián)規(guī)則挖掘分析能從大量數(shù)據(jù)中發(fā)現(xiàn)項(xiàng)集之間的相關(guān)和關(guān)聯(lián)關(guān)系。關(guān)聯(lián)規(guī)則挖掘任務(wù)分為兩個(gè)步驟：一是頻繁項(xiàng)集的產(chǎn)生，即找出滿足最小支持度min_sup的所有項(xiàng)集，這些項(xiàng)集稱作“頻繁項(xiàng)集”；二是關(guān)聯(lián)規(guī)則的產(chǎn)生，即從上一步發(fā)現(xiàn)的頻繁項(xiàng)集中，提取所有高置信度的規(guī)則（滿足min_conf條件），這些規(guī)則被稱為關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則是形如X→Y的蘊(yùn)含表達(dá)式，其中X和Y是不相交的項(xiàng)集，關(guān)聯(lián)規(guī)則的強(qiáng)度可以用置信度和支持度度量。
基于關(guān)聯(lián)規(guī)則挖掘的分類技術(shù)（Associative Classification）
在過往的認(rèn)知中，關(guān)聯(lián)規(guī)則挖掘是一種從大量數(shù)據(jù)中發(fā)現(xiàn)項(xiàng)集之間相關(guān)和關(guān)聯(lián)關(guān)系的技術(shù)方法，最著名的應(yīng)用場(chǎng)景是“啤酒尿片”購物籃分析。然而實(shí)際上，關(guān)聯(lián)規(guī)則挖掘技術(shù)也可以用于解決有監(jiān)督學(xué)習(xí)分類問題。該類思想最早由Ali等人于1997年提出；Wang等人于2007年提出針對(duì)此類關(guān)聯(lián)規(guī)則的排序和加權(quán)方法，從而有效提升關(guān)聯(lián)規(guī)則挖掘分類技術(shù)的模型準(zhǔn)確性。基于關(guān)聯(lián)規(guī)則挖掘技術(shù)開展有監(jiān)督學(xué)習(xí)分類任務(wù)是挖掘形如{X1∪X2 ∪...∪Xm}→{Y0}的規(guī)則，其中Xi=1為特征標(biāo)簽值，Y0和Y1為類別標(biāo)簽。在金融風(fēng)控領(lǐng)域，Y0和Y1類別標(biāo)簽可定義為“未逾期”和“逾期”。
基于關(guān)聯(lián)規(guī)則挖掘分類技術(shù)
的小樣本學(xué)習(xí)創(chuàng)新技術(shù)方法
面向小樣本學(xué)習(xí)技術(shù)創(chuàng)新，尤其當(dāng)處理極度不平衡數(shù)據(jù)集時(shí)，本文將關(guān)聯(lián)規(guī)則挖掘分類技術(shù)進(jìn)行優(yōu)化，探索形成一種可適用于產(chǎn)業(yè)數(shù)字金融風(fēng)控問題（其訓(xùn)練數(shù)據(jù)樣本量小、“壞”樣本數(shù)據(jù)量極�。┑年P(guān)聯(lián)規(guī)則挖掘分類技術(shù)方法，創(chuàng)新算法邏輯描述如下（見圖1）。
圖1 創(chuàng)新算法邏輯
連續(xù)特征離散化。常規(guī)的頻繁項(xiàng)集挖掘，往往是針對(duì)離散變量的，而數(shù)據(jù)中可能存在大量連續(xù)變量。針對(duì)連續(xù)變量，首先要采用等寬、等頻或聚類等方式進(jìn)行離散化處理，以便后續(xù)頻繁項(xiàng)集挖掘任務(wù)的進(jìn)行。
“好”樣本頻繁項(xiàng)集挖掘。完成連續(xù)變量分箱后，可針對(duì)“好”樣本進(jìn)行頻繁項(xiàng)集的挖掘，這里的項(xiàng)集要滿足以下條件：一是項(xiàng)集的支持度需比設(shè)定的min_sup閾值高，閾值依據(jù)模型評(píng)估結(jié)果動(dòng)態(tài)調(diào)整；二是盡可能地挖掘出項(xiàng)次高的頻繁項(xiàng)集，項(xiàng)次越高，頻繁項(xiàng)集所包含的信息量也越大。
模型評(píng)估。篩選訓(xùn)練集部分“好”樣本和全部“壞”樣本進(jìn)行逾期預(yù)測(cè)效果評(píng)估，評(píng)估策略的設(shè)置可包含以下情況：一是根據(jù)命中的頻繁項(xiàng)集數(shù)目進(jìn)行給定的數(shù)據(jù)樣本評(píng)分，按評(píng)分排序后，評(píng)分小于K的定義為“壞”樣本，否則為“好”樣本；二是未命中任何頻繁項(xiàng)集的定義為“壞”樣本，否則為“好”樣本。
模型穩(wěn)定。評(píng)估此輪訓(xùn)練效果并調(diào)整min_sup和K值重新尋找頻繁項(xiàng)集，直至模型穩(wěn)定。
模型應(yīng)用。將測(cè)試樣本運(yùn)用頻繁項(xiàng)集和評(píng)估策略進(jìn)行分類。
在商業(yè)銀行產(chǎn)業(yè)
數(shù)字金融業(yè)務(wù)領(lǐng)域的應(yīng)用實(shí)踐
以國(guó)內(nèi)某商業(yè)銀行產(chǎn)業(yè)數(shù)字金融業(yè)務(wù)為例，針對(duì)“加盟平臺(tái)型”和“產(chǎn)業(yè)供應(yīng)鏈型”兩類典型業(yè)務(wù)，開展應(yīng)用實(shí)踐實(shí)證分析。該銀行自2021年3月成立產(chǎn)業(yè)數(shù)字金融試點(diǎn)項(xiàng)目沙箱沙盒攻關(guān)組以來，逐步推進(jìn)開展產(chǎn)業(yè)數(shù)字金融業(yè)務(wù)。在業(yè)務(wù)發(fā)展初期，項(xiàng)目的“好”“壞”樣本數(shù)量欠缺積累，攻關(guān)組采用遷移學(xué)習(xí)思想并直接推進(jìn)小樣本學(xué)習(xí)技術(shù)創(chuàng)新，為平穩(wěn)渡過和快速跨越業(yè)務(wù)“冷啟動(dòng)”期提供技術(shù)支撐。
從業(yè)務(wù)理解到數(shù)據(jù)準(zhǔn)備
“加盟平臺(tái)型”項(xiàng)目在借款人類型、貸款額度、還款期限等方面，與商業(yè)銀行普惠金融業(yè)務(wù)相近，但具有明顯的產(chǎn)業(yè)特征，主要體現(xiàn)為“產(chǎn)業(yè)圈”的商業(yè)模式。針對(duì)該類項(xiàng)目，攻關(guān)組從銀行企業(yè)級(jí)數(shù)據(jù)倉庫提取相關(guān)數(shù)據(jù)樣本和特征構(gòu)建寬表，開展數(shù)字化授信與智能風(fēng)控算法建模數(shù)據(jù)準(zhǔn)備工作：選取數(shù)據(jù)倉庫近年來產(chǎn)品類型為個(gè)人經(jīng)營(yíng)性貸款且貸款額度為50萬元以下、還款期限為3～6個(gè)月、貸款利率在8%以下的數(shù)據(jù)樣本；定義逾期10天及以上為“壞”樣本，“壞”樣本在該選定數(shù)據(jù)集的占比為3%；以個(gè)人征信信息等典型A卡類特征作為初始變量篩選范圍，排除缺失值和集中度過高及相關(guān)性較高的變量后，最終選取歷史逾期類變量2個(gè)、歷史額度類變量4個(gè)、時(shí)間和查詢類變量4個(gè)，共計(jì)10個(gè)變量作為模型特征。
“產(chǎn)業(yè)供應(yīng)鏈型”項(xiàng)目在借款人類型、貸款額度、還款期限等方面，與商業(yè)銀行對(duì)公中小業(yè)務(wù)相近，但具有明顯的產(chǎn)業(yè)特征，主要體現(xiàn)為“產(chǎn)業(yè)鏈”的商業(yè)模式。針對(duì)該類項(xiàng)目的風(fēng)控算法建模數(shù)據(jù)準(zhǔn)備包括：選取數(shù)據(jù)倉庫近年來貸款額度在1000萬元以下且還款期限1年以內(nèi)、貸款利率在6%以下的對(duì)公貸款數(shù)據(jù)樣本；定義逾期30天及以上為“壞”樣本，“壞”樣本在該選定數(shù)據(jù)集的占比為3%；選取“企業(yè)規(guī)�！钡褥o態(tài)信息變量3個(gè)、“歷史貸款平均額度”等歷史行為記錄變量6個(gè)，共計(jì)9個(gè)變量作為模型特征。
關(guān)于貸款利率范圍的明確
在進(jìn)行上述數(shù)據(jù)準(zhǔn)備時(shí)，分別將“8%以下”“6%以下”作為貸款利率條件來選取“加盟平臺(tái)型”和“產(chǎn)業(yè)供應(yīng)鏈型”項(xiàng)目的風(fēng)控模型訓(xùn)練與測(cè)試樣本是因?yàn)樵谏诚渖澈泄リP(guān)過程中，將不同類型的每個(gè)產(chǎn)業(yè)數(shù)字金融項(xiàng)目看作一個(gè)進(jìn)入沙盒的測(cè)試項(xiàng)目，并將真實(shí)發(fā)生的沙盒項(xiàng)目放入沙箱，由沙箱負(fù)責(zé)對(duì)全部項(xiàng)目開展統(tǒng)一的風(fēng)險(xiǎn)定價(jià)。該風(fēng)險(xiǎn)定價(jià)過程以項(xiàng)目為單位，通過對(duì)各項(xiàng)目的運(yùn)營(yíng)開展數(shù)字孿生，面向各類宏觀因子變動(dòng)下的風(fēng)險(xiǎn)情景，對(duì)銀行資產(chǎn)負(fù)債管理體系進(jìn)行相關(guān)仿真模擬，并推演出不同風(fēng)險(xiǎn)定價(jià)策略下銀行未來經(jīng)營(yíng)收益情況；進(jìn)而創(chuàng)新運(yùn)用深度強(qiáng)化學(xué)習(xí)技術(shù)，以銀行未來經(jīng)營(yíng)的最佳收益為目標(biāo)，探尋覆蓋沙箱內(nèi)各沙盒項(xiàng)目的綜合最優(yōu)風(fēng)險(xiǎn)定價(jià)策略。這里“8%以下”和“6%以下”是根據(jù)沙箱給出的最優(yōu)風(fēng)險(xiǎn)定價(jià)策略，對(duì)在數(shù)據(jù)樣本中原本較為發(fā)散的貸款利率特征值進(jìn)行適度聚向，使模型訓(xùn)練、測(cè)試以及預(yù)測(cè)應(yīng)用的數(shù)據(jù)樣本在貸款利率特征值范圍上保持一致。
實(shí)證分析結(jié)果顯示，將貸款利率特征值進(jìn)行聚向處理，能夠使模型準(zhǔn)確性等模型評(píng)估指標(biāo)（AUC、KS、Recall）得到明顯提升。此外，精準(zhǔn)的風(fēng)險(xiǎn)定價(jià)策略也對(duì)提升貸款質(zhì)量和業(yè)務(wù)綜合收益起到積極的促進(jìn)作用。
建模與模型評(píng)估
經(jīng)過前期的數(shù)據(jù)清洗、篩選等處理后，針對(duì)連續(xù)變量作分箱處理，以便后續(xù)開展頻繁項(xiàng)集挖掘任務(wù)。模型訓(xùn)練前對(duì)原始樣本數(shù)據(jù)劃分訓(xùn)練集與測(cè)試集，訓(xùn)練集和測(cè)試集的劃分采用分層隨機(jī)抽樣方法，即在“好”“壞”樣本內(nèi)分別隨機(jī)抽樣；為保證模型的穩(wěn)定性，采取十次分層隨機(jī)抽樣的方式進(jìn)行模型訓(xùn)練，并對(duì)十次隨機(jī)分層抽樣的平均結(jié)果進(jìn)行分析及調(diào)優(yōu)，最終在訓(xùn)練集樣本量100、300、500（對(duì)應(yīng)測(cè)試集樣本量100、200、200）且“壞”樣本占比保持在3%的情形下，得到模型測(cè)試集平均AUC、KS、Recall評(píng)估指標(biāo)如表1、表2所示。
表1 面向“加盟平臺(tái)型”項(xiàng)目的數(shù)字化授信與智能風(fēng)控模型評(píng)估指標(biāo)
表2 面向“產(chǎn)業(yè)供應(yīng)鏈型”項(xiàng)目的數(shù)字化授信與智能風(fēng)控模型評(píng)估指標(biāo)
實(shí)證分析結(jié)果表明，本應(yīng)用實(shí)踐案例在科學(xué)有效的風(fēng)險(xiǎn)定價(jià)策略指導(dǎo)下，運(yùn)用創(chuàng)新關(guān)聯(lián)規(guī)則挖掘分類技術(shù)進(jìn)行風(fēng)控建模，無論是面對(duì)“加盟平臺(tái)型”業(yè)務(wù)還是“產(chǎn)業(yè)供應(yīng)鏈型”業(yè)務(wù)，均可在樣本量很�。ㄓ�(xùn)練集樣本量?jī)H為100）且“壞”樣本量極�。ā皦摹睒颖玖空急葍H為3%）的情況下，使模型具有良好的預(yù)測(cè)識(shí)別效果，在保持模型AUC、KS指標(biāo)不低于0.7和0.3模型上線標(biāo)準(zhǔn)的前提下，使模型Recall指標(biāo)平均達(dá)到0.8的水平，能夠大幅提高相關(guān)業(yè)務(wù)的風(fēng)控能力與工作效率。截至目前，該銀行在產(chǎn)業(yè)數(shù)字金融一年以來的業(yè)務(wù)發(fā)展中未發(fā)生不良，即風(fēng)險(xiǎn)客戶識(shí)別中非正常類樣本Type-II錯(cuò)誤率為零。
數(shù)字經(jīng)濟(jì)時(shí)代，面向產(chǎn)業(yè)數(shù)字金融風(fēng)控領(lǐng)域的小樣本學(xué)習(xí)問題成為商業(yè)銀行亟待突破的技術(shù)難點(diǎn)之一。本文立足商業(yè)銀行應(yīng)用實(shí)踐，在小樣本學(xué)習(xí)領(lǐng)域運(yùn)用關(guān)聯(lián)規(guī)則挖掘分類算法進(jìn)行創(chuàng)新技術(shù)突破，并將其實(shí)際應(yīng)用于商業(yè)銀行產(chǎn)業(yè)數(shù)字金融真實(shí)業(yè)務(wù)場(chǎng)景中，實(shí)證效果達(dá)到預(yù)期目標(biāo)。后續(xù)，將進(jìn)一步推進(jìn)小樣本學(xué)習(xí)技術(shù)面向訓(xùn)練集樣本量在100以內(nèi)的研究和應(yīng)用，以期為數(shù)字經(jīng)濟(jì)時(shí)代商業(yè)銀行深化產(chǎn)業(yè)數(shù)字金融業(yè)務(wù)發(fā)展提供技術(shù)支撐和借鑒思路。
作者單位：華夏銀行(600015)股份有限公司，龍盈智達(dá)（北京）北京科技有限公司，參與撰稿的有王彥博、趙勇江、張?jiān)�、譚思頎、孫芳超、胡明珠、程義淇、徐奇、高新凱、楊璇、張軍和劉曦子
文章刊發(fā)于《銀行家》雜志2022年第5期「金融科技」欄目
責(zé)任編輯：孫 爽
976639255@qq.com
點(diǎn)擊鏈接↓ 了解更多精選文章
◆ 數(shù)字化觀察（99）| 馬上消費(fèi)林亞臣：大數(shù)據(jù)風(fēng)控助力新市民服務(wù)
◆ 數(shù)字化觀察（98）| PMO項(xiàng)目管理六大“誤區(qū)”
◆ 數(shù)字化觀察（97）| “雙管齊下”應(yīng)對(duì)國(guó)際數(shù)字貨幣“雙賽道競(jìng)爭(zhēng)”格局
◆ 數(shù)字化觀察（96）| 量子聚類算法在銀行智慧運(yùn)營(yíng)場(chǎng)景中的應(yīng)用
◆ 數(shù)字化觀察（95）| 隱私立法時(shí)代聯(lián)邦學(xué)習(xí)在商業(yè)銀行的應(yīng)用
◆ 數(shù)字化觀察（94）| 金融科技管理人才項(xiàng)目制培養(yǎng)模式探索與實(shí)踐
◆ 數(shù)字化觀察（93）| 科技創(chuàng)新推動(dòng)金融數(shù)字化服務(wù)轉(zhuǎn)型發(fā)展
◆ 數(shù)字化觀察（92）| 內(nèi)部審計(jì)視角下的數(shù)據(jù)治理
◆ 數(shù)字化觀察（91）| “貝塔銀行”對(duì)銀行經(jīng)營(yíng)的重構(gòu)
◆ 數(shù)字化觀察（90）| 數(shù)字化轉(zhuǎn)型重塑銀行價(jià)值鏈——訪平安銀行(000001)首席信息官張斌
本文首發(fā)于微信公眾號(hào)：銀行家雜志。文章內(nèi)容屬作者個(gè)人觀點(diǎn)，不代表和訊網(wǎng)立場(chǎng)。投資者據(jù)此操作，風(fēng)險(xiǎn)請(qǐng)自擔(dān)。
最新評(píng)論