參賽單位：北京瑞萊智慧科技有限公司

案例名稱：某股份制銀行融合聯邦學習的流動性風險管理

案例簡介：

資管新規后理財產品將去“資金池”化，單產品自負流動性盈虧，此規定對占各大行主體業務較大份額且未來預計將持續增長的現金管理類產品（T+0）影響較大。然而資金流波動相關影響因素眾多，僅依靠投資經理人為判斷預測變化容易造成較大偏差且無法實現動態時時預測。瑞萊智慧通過自主研發的隱私保護機器學習平臺RSC和貝葉斯深度學習模型為某國有股份制銀行的熱門理財產品提供流動性風險預測模型服務，項目順利交付上線后，達到精準預測未來產品1~30天的保有量的變化的目的，提升52%以上的準備金利用率和28%以上產品最終收益率。

創新技術/模式應用：

瑞萊智慧隱私保護機器學習平臺RealSecure簡稱RSC，主要服務于有隱私保護和聯合建模需求的企業級用戶，該平臺保證在數據不出庫、無中間方作為協調者的前提下，完成多方參與的模型訓練過程并獲得可投入生產的模型，在隱私保護前提下達到模型效果等同于將數據集中在同一臺機器上訓練得到的模型效果。平臺分為實驗訓練、離線跑批、在線預估三個模塊。通過不同機構分別部署RealSecure，建模過程中實現模型參數的加密交換，完成聯合建模，規避數據泄露風險。以2個參與機構為例，RealSecure總體架構圖如下：

圖表1 總體架構圖

RSC包含全生命周期整體方案——數據生態域、系統功能域和方案模板域三方面核心能力，我司可提供上述全體系全周期服務支持。

圖表2 總體設計方案

在流動性風險預測的客戶行為建模過程中，項目組開始使用的是純行內已有的客戶數據，維度較為單一，數據也比較稀疏，以致于效果不是很理想。后來，通過引入并部署瑞萊智慧自研的隱私保護機器學習平臺（簡稱RSC）節點，項目組在安全合規的基礎上獲取到了更廣泛的數據維度，包含其他渠道的支付信息、客戶的通信設備信息以及客戶在行外的消費信息和借貸信息等，打破了數據孤島，豐富了建?？腿旱男畔?，使得模型效果進一步提升。

在構建模型上，項目組采用的自研貝葉斯深度學習模型在與傳統人工預測方法和其他模型預測方法比較上無論是預測精度還是穩定上都有較大提升，并且輸出的預測結果自帶動態預測區間，相比于其他預測方法具有一定的模型可解釋性。通過觀察預測區間大小和預測結果可輔助資管人員進行風險管理決策，規避流動性風險，并提升行內資金利用效率。

此外，該創新融合聯邦學習的對隨時申贖理財產品的流動性風險預測應用還可由單一產品拓展到其他甚至未來的同類產品的管理，為銀行打造具備核心競爭力的貨幣理財流動性管理方法，提升理財的品牌價值。

項目效果評估：

在黑天鵝事件（疫情）期間，不同算法對某款T+0產品的未來余額預測結果對比?？梢钥闯鲐惾~斯深度學習無論是在長周期還是在短周期預測上，效果都是卓越。

風險預測模型自上線以來，平均準確率（1-MAPE）在T+1、T+7、T+30三種統計口徑分別為99%+、98%+和94%+。從業務側反饋來看，風險預測的精度遠超預先設定的目標，在實際業務中成功幫助資管人員進行更加細分的風險管理決策。

總結來看，在聯邦學習基礎上做的流動性風險管理共沉淀下四個成果：

1.在安全合規的前提下，應用聯邦學習保證在數據不出庫、無中間方做為協調者的情況下，完成多方參與的模型訓練過程并獲得可投入生產的模型，規避了包括行方在內的各方數據泄露的風險；

2.有利于防范理財產品組合流動性風險，增強產品在市場上的韌性；

3.單某隨時申贖理財系列產品來分析，目前理財組合日均420億預留資金，依靠模型高精度及穩定性預測，可降低至200億（流動性風險最低要求），提升52%以上的準備金利用率，可為行里帶來增收每年近4億元。

4.有助于該國有股份制銀行新成立的理財子公司增強產品競爭力和提高市場份額。未來若現金管理類理財與公募基金拉平后，產品限制嚴格，80%超額收益來源于流動性精細化管理。

項目牽頭人：

劉荔園 RealAI聯合創始人、副總裁

責任編輯：方杰