JRT 0263-2022机器学习金融应用技术指南.docxVIP

中国人民银行发布

ICS35.240.40

CCSA11

JR

中华人民共和国金融行业标准

JR/T0263—2022

机器学习金融应用技术指南

Technicalguidanceonapplicationofmachinelearninginfinancialservices

2022-11-25发布2022

2022-11-25发布

I

JR/T0263—2022

目次

前言 II

1范围 1

2规范性引用文件 1

3术语和定义 1

4总体原则 1

5体系框架 2

6计算资源 3

7数据资源 3

8机器学习引擎 4

9机器学习服务 6

10安全管理 7

11内控管理 10

附录(资料性)金融领域机器学习应用场景 12

参考文献 16

II

JR/T0263—2022

前言

本文件按照GB/T1.1—2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定起草。

请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。

本文件由中国人民银行科技司提出。

本文件由全国金融标准化技术委员会(SAC/TC180)归口。

1

JR/T0263—2022

机器学习金融应用技术指南

1范围

本文件提供了金融业开展机器学习应用涉及的体系框架、计算资源、数据资源、机器学习引擎、机器学习服务、安全管理、内控管理等方面的建议。

本文件适用于开展机器学习金融应用的金融机构、技术服务商、第三方安全评估机构等。

2规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其必威体育精装版版本(包括所有修改单)适用于本文件。

GB/T27910—2011金融服务信息安全指南

JR/T0071.2—2020金融行业网络安全等级保护实施指引第2部分：基本要求

JR/T0071.5—2020金融行业网络安全等级保护实施指引第5部分：审计要求

JR/T0171—2020个人金融信息保护技术规范

3术语和定义

下列术语和定义适用于本文件。

3.1

机器学习machinelearning

功能单元获取新知识或者技能，或通过已有的知识或技能改进其性能的过程。

[来源：GB/T5271.31—2006，31.01.02]

3.2

监督学习supervisedlearning

基于外部知识源的反馈以测试获得知识的正确性的学习策略。

[来源：GB/T5271.31—2006，31.03.08，有修改]

3.3

无监督学习unsupervisedlearning

无需基于外部知识源的反馈以测试获得知识的正确性的学习策略。

[来源：GB/T5271.31—2006，31.03.09，有修改]

4总体原则

2

征信风控营销客服智能运营监管合规金融智能应用投资决策安全管理数据安全模型安全环境安全访问安全运维安全灾备安全过程安全日志安全

征信风控

营销客服

智能运营

监管合规

金融智能应用

投资决策

安全

管理

数据安全

模型安全

环境安全

访问安全

运维安全

灾备安全

过程安全

日志安全

服务管理

开发服务

服务评估

机器学习服务

接口服务

特征

管理

模型训练

机器学习引擎

推理决策

算法管理

数据传输

数据调度管理

数据采集

数据资源

数据处理

数据存储

计算资源

算力调度管理

计算资源部署

机器学习在金融服务中应用的原则一般包括以下内容。

a)普遍性。确认目标群中所有主体均能成功且一致地使用机器学习进行服务。

b)不可否认性。涉及机器学习且已经发生的活动或事件不可被否认。

c)可控性。主体对机器学习应用的使用范围、运行状态、访问权限等具备主动控制的能力。

5体系框架

机器学习能为金融应用系统提供更丰富、更便利、更通用的智能化支撑服务，例如智能语音、自然语言处理、计算机视觉、生物特征识别、知识图谱等。基于机器学习的金融应用系统一般性体系框架见下图。

内控

管理

制度保障

岗位及人员管理

风险处置

图基于机器学习的金融应用系统一般性体系框架

基于机器学习的金融应用系统一般性体系框架包括计算资源、数据资源、机器学习引擎、机器学习服务、金融智能应用、安全管理与内控管理等。整个框架表明了机器学习金融应用可遵循的、适用于不同规模的一般性层次化抽象、结构及依赖关系。