在泛金融领域,风险控制是任何开展信贷业务企业内最为关注的核心环节之一。如今计算机技术迅速发展,利用大数据手段进行风险控制建模已成为行业内共识。目前信贷大数据风险控制技术多依赖于不同企业间用户信贷隐私数据的交换与融合,然而,随着国内外数据监管与隐私保护的逐步加强,这种严重泄漏用户隐私的数据融合方式将不再被允许。本文针对大数据风控领域陷入的数据孤岛问题,探索建立信贷风控场景下的联邦学习系统,并基于此设计风控模型,在保证用户数据安全的前提下提升企业的风险控制能力。首先,本文对信贷领域大数据现状进行了剖析,针对业内存在的数据异构、数据隐私安全等问题提出了统一数据接入格式、数据预处理与模型分离以及联邦建模等解决思路;接着,探讨了联邦学习在风险控制领域的可行性,并构建了适合信贷风控场景的联邦学习系统;最后,基于此设计了一种基于风险序列嵌入表示循环神经网络(Embeddding Sequence Recurrent Neutral Network,ESRNN)的信贷风控模型,该模型基于对领域数据的深刻理解,通过深度建模用户风险序列模式,可有效克服以往风控模型对于序列数据建模不足的缺陷,进而提升风控效果。本文在两个真实信贷场景数据集上采用联邦与非联邦两种建模方式对各典型风控模型进行效果评估,结果表明,相比于以往方法,使用基于ESRNN的信贷风控模型在AUC、KS以及ACC等评价指标上均取得了最优的表现,从而验证了本文研究的有效性。未来我们将关注联邦场景中用户多媒体数据的挖掘以及风控模型可解释性问题,帮助信贷企业在数据合规前提下实现更好的风险控制效果。