供应链金融案例(供应链垫资代采融资业务)-荣泰常识网

供应链金融案例(供应链垫资代采融资业务)

小微企业融资难是一个普遍的行业问题，小微企业是国民经济的重要支柱，是扩大就业、改善民生、促进创业创新的重要力量。他们一直受到国家和地方政府的高度重视和大力支持，也是京东的核心问题之一。COM的供应链金融技术应该有助于解决。提高风险控制能力是解决小微企业融资问题的核心。因此，从2017年开始，JD.COM科技提出利用因果推理技术，识别客户的资金需求和风险来进行额度决策，即抬升技术。经过几年的实践证明，浮托技术可以在整体风险可控的前提下，精准提升额度。与传统的额度制定方案相比，客户对额度的满意度有所提升，实现了双方共赢，形成良性循环。JD.COM科技持续探索因果推理技术，已在AAAI、IJCNN、PRICAI等多个国际顶级人工智能会议上发表研究成果。

因果推理技术研究中的一个核心问题是如何根据已经发生的条件下的事实来预测其他条件下的结果，即反事实推理。这正是配额决策中遇到的问题。金融服务商很难判断，如果给用户更高的额度，用户的风险是否可控。但在实践中，JD.COM科技发现因果推理技术的应用还存在很多技术问题:1)存在严重的信息混乱:配额决策过程中会出现信息混乱。比如我们在研究额度对风险的影响时，如果统计观察信息，会发现额度越高，用户的风险越低。这是因为我们给信用更好的用户更高的额度，但这并不意味着我给用户的额度越高，风险就越低，这是一个既影响额度又影响风险的因素。如果不做相应的处理，混合造成的偏差可能会产生不良后果。2)线上测试成本高:信用领域预期用户流失非常大，所以虽然可以通过随机测试解决第一个问题，但是成本非常高。3)解释性要求高:由于配额管理等决策模型难以离线评估效果，只有在线A/B测试才能准确知道一个决策是否合理，因此对方法和决策结果的合理性要求较高。

为了解决这些问题，JD.COM科技在双机器学习领域做了多年的探索，近年来备受学术界和业界关注。2021年，它发表了一篇关于AAAI的论文《零售过失的因果学习》。本研究提出双机器学习的框架可以有效量化多值授信策略与用户风险之间的因果关系，从而指导更精准的风险管理和风险控制。然而，在研究中发现，双机器学习也存在缺陷，倾向得分和潜在结果之间存在复合误差。

在极端情况下，当某些样本的倾向得分估计错误或非常接近0/1时，使用双机器学习来估计平均因果效应会产生较大的误差。过去有很多关于实践中如何解决这类缺陷的研究，比如倾向得分的剪枝，但是理论上如何解决这类问题却鲜有耳闻，也没有相关文献从理论上加以证明或说明。今年早些时候，JD.COM科技开始了这一领域的研究，并在IJCNN发表了相关论文“稳健的因果学习用于平均治疗效果的估计”，其中提出了一种新的双机器学习方法。它被称为鲁棒因果学习，克服了传统双机学习的缺点。第一，与传统的双机学习具有相同的一致性和双重鲁棒性。其次，克服复合误差问题。同时，通过大量的相关实验，证实了所提出的鲁棒因果学习确实能够给出比传统的对偶机器学习更稳定的因果参数估计，并且估计误差更低。

为了从表达空的层面进一步避免过均衡问题，充分利用正交信息，JD.COM科技继续深入研究。在《环太平洋国际人工智能》(PRICAI’22)上发表了文章《具有正交信息的治疗效果的现代平衡呈现学习》，并提出了现代平衡呈现学习(MBRL)的框架。MBRL通过多任务学习防止表示层失衡，并在训练和验证阶段使用噪声正交信息来更好地估计ate。

JD。COM在科技方面的持续投入，不仅取得了丰富的学术成果，也为金融和信贷领域带来了前沿的学术研究，不断提升普惠金融基于因果推理技术的服务能力，实现精细化、智能化、自动化决策，成为最具金融科技含量的公司。

展望未来，JD.COM将继续科技投入，不断提升基于因果推理技术的普惠金融服务能力。同时，作为JD.COM集团技术能力向国外的主要输出，JD.COM科技输出因果推断技术，服务于银行等金融机构的客户和消费者。JD.COM科技提出的新的双机器学习方法也可以克服传统方法的技术缺陷。对于提高金融机构精准识别客户的能力，给予普惠客户和中小企业更精准的额度具有重要作用。帮助金融机构给同行更准确的额度，也帮助中小企业脱困，具有重要的社会意义和价值。在技术创新和应用的道路上，JD.COM科技将永远与客户和合作伙伴携手，创造更多有价值的新技术和应用。

本文来源于财经资讯。

原创文章，作者：荣泰常识网，如若转载，请注明出处：http://www.zsrtbx.com/65815.html