CN114155048A - 关联业务预测的方法、装置、电子设备及存储介质 - Google Patents
关联业务预测的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114155048A CN114155048A CN202111640907.0A CN202111640907A CN114155048A CN 114155048 A CN114155048 A CN 114155048A CN 202111640907 A CN202111640907 A CN 202111640907A CN 114155048 A CN114155048 A CN 114155048A
- Authority
- CN
- China
- Prior art keywords
- sales
- financial product
- financial
- matrix
- financial products
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 239000011159 matrix material Substances 0.000 claims abstract description 140
- 230000001419 dependent effect Effects 0.000 claims abstract description 81
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 87
- 230000002354 daily effect Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 241000039077 Copula Species 0.000 description 26
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000007726 management method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Technology Law (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种关联业务预测的方法、装置、电子设备及存储介质,涉及数据处理技术领域,其中,该方法包括:获取加权系数矩阵,所述加权系数矩阵为将肯德尔相关性矩阵与斯皮尔曼相关性矩阵进行加权运算后生成的矩阵所述多维相依模型为采用VaR方法检验的模型;对所述加权系数矩阵中的各金融产品的销售数据进行监测,并将监测到的触发预设销量条件的金融产品作为目标金融产品;从所述加权系数矩阵中,获取与所述目标金融产品的加权系数符合预设条件的金融产品,作为关联金融产品;采用所述多维相依模型对所述关联金融产品以及所述目标金融产品进行销售预测。从而充分挖掘出金融产品之间的相关性,及时提醒营销工作者加大对关联金融产品推销力度。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种关联业务预测的方法、一种关联业务预测的装置、一种电子设备、一种计算机可读存储介质、一种计算机程序产品。
背景技术
理财销售作为金融机构的业绩重点关注对象,其销售力度和市场拓展是金融机构从业人员最重要的日常工作之一。不同的理财产品市场销售业绩有很大差异,但差异中往往又有某种关联性,如果能找到这种关联性,在某种理财产品销量比较好时,加大与其关联的理财产品的推销力度,发掘商机让总销售额创佳绩。当某种理财产品在产品市场发生波动时,能够更加精准地把握与其关联的各个产品的变化规律,对营销工作展开针对性引导。
发明内容
本申请提供了一种关联业务预测的方法、装置、电子设备及存储介质,以挖掘金融机构中各金融产品的关联性。
第一方面,本申请实施例提供了一种关联业务预测的方法,所述方法包括:
获取加权系数矩阵,所述加权系数矩阵为将肯德尔相关性矩阵与斯皮尔曼相关性矩阵进行加权运算后生成的矩阵,所述肯德尔相关性矩阵为采用预先训练的多维相依模型产生的、用于记录两两金融产品的肯德尔相关性系数的矩阵,所述斯皮尔曼相关性矩阵为采用所述多维相依模型产生的、用于记录两两金融产品的斯皮尔曼相关性系数的矩阵;所述多维相依模型为采用风险价值VaR方法检验的模型;
对所述加权系数矩阵中的各金融产品的销售数据进行监测,并将监测到的触发预设销量条件的金融产品作为目标金融产品;
从所述加权系数矩阵中,获取与所述目标金融产品的加权系数符合预设条件的金融产品,作为关联金融产品;
采用所述多维相依模型对所述关联金融产品以及所述目标金融产品进行销售预测,所述销售预测的结果用于辅助相关人员判断是否加大对所述关联金融产品的推销力度。
第二方面,本申请实施例还提供了一种关联业务预测的装置,所述装置包括:
加权系数矩阵获取模块,用于获取加权系数矩阵,所述加权系数矩阵为将肯德尔相关性矩阵与斯皮尔曼相关性矩阵进行加权运算后生成的矩阵,所述肯德尔相关性矩阵为采用预先训练的多维相依模型产生的、用于记录两两金融产品的肯德尔相关性系数的矩阵,所述斯皮尔曼相关性矩阵为采用所述多维相依模型产生的、用于记录两两金融产品的斯皮尔曼相关性系数的矩阵;所述多维相依模型为采用风险价值VaR方法检验的模型;
目标金融产品检测模块,用于对所述加权系数矩阵中的各金融产品的销售数据进行监测,并将监测到的触发预设销量条件的金融产品作为目标金融产品;
关联金融产品确定模块,用于从所述加权系数矩阵中,获取与所述目标金融产品的加权系数符合预设条件的金融产品,作为关联金融产品;
销售预测模块,用于采用所述多维相依模型对所述关联金融产品以及所述目标金融产品进行销售预测,所述销售预测的结果用于辅助相关人员判断是否加大对所述关联金融产品的推销力度。
第三方面,本申请实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述第一方面的方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一方面的方法。
第五方面,本申请实施例还提供了一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述计算机可执行指令在被执行时用于实现上述第一方面的方法。
本申请所提供的技术方案,具有如下有益效果:
在本实施例中,当获得由肯德尔相关性矩阵与斯皮尔曼相关性矩阵进行加权运算后得到的加权系数矩阵以后,通过对该加权系数矩阵中的各金融产品的销售数据进行监测,并将监测到的触发预设销量条件的金融产品作为目标金融产品。监测出目标金融产品以后,则可以从加权系数矩阵中挖掘出与目标金融产品的加权系数符合预设条件的关联金融产品,并采用多维相依模型对该关联金融产品进行销售预测。从而充分挖掘出金融产品之间的相关性,当目标金融产品的销量大幅增长时,则判定其关联金融产品的销量也会出现增长,从而可以及时提醒营销工作者加大对关联金融产品的推荐力度,形成一个良好的商机推荐机制。同时基于多维相依模型预测未来各个关联金融产品的销量,便于对未来的市场景气度进行评估。实现对金融市场需求状况更加全面准确的评估,基于此调整金融机构整体金融产品体系的推销力度和组合搭配方式,扩大销售成功率。
另外,相比于线性相关系数,肯德尔相关性系数以及斯皮尔曼相关性系数这两种秩相关系数从概率分布入手可以更加精准全面地反映了不同金融产品之间的内在关联,利用这种关联性可以更精准地确定关联金融产品,从而预测的准确率。
附图说明
图1是本申请实施例一提供的一种关联业务预测的方法实施例的流程图;
图2是本申请实施例二提供的一种关联业务预测的方法实施例的流程图;
图3是本申请实施例三提供的一种关联业务预测的方法实施例的流程图;
图4是本申请实施例四提供的一种关联业务预测的装置实施例的结构框图;
图5是本申请实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
还需要说明的是,本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
实施例一
图1为本申请实施例一提供的一种关联业务预测的方法实施例的流程图,本实施例可以由金融机构的业务处理***执行,如图1所示,可以包括如下步骤:
步骤110,获取加权系数矩阵,所述加权系数矩阵为将肯德尔相关性矩阵与斯皮尔曼相关性矩阵进行加权运算后生成的矩阵。
其中,肯德尔相关性矩阵为采用预先训练的多维相依模型产生的、用于记录两两金融产品的肯德尔相关性系数(Kendall’s tau)的矩阵;斯皮尔曼相关性矩阵为采用所述多维相依模型产生的、用于记录两两金融产品的斯皮尔曼(spearman)相关性系数的矩阵。而Kendall’s tau相关性系数及spearman相关性系数都是秩相关系数,spearman相关性系数是利用两变量(本实施例中相当于两金融产品)的秩次大小作线性相关分析,对原始变量的分布不做要求,属于非参数统计方法。Kendall’s tau相关性系数则用于反映分类变量相关性的指标,适用于两个变量均为有序分类的情况,具体的,Kendall’s tau相关系数是通过比较两个序列数据之间的大小排序差异来判定两者间增减幅度是否同步,从而判定两序列之间的相关性大小。
本实施例在得到肯德尔相关性矩阵以及斯皮尔曼相关性矩阵以后,通过将两两分量(即两两金融产品)之间的Kendall’s tau相关性系数和spearman相关性系数进行加权求和,得到该两分量的加权系数,最终形成更加全面的加权系数矩阵。加权系数矩阵的行和列对应各个分量,也就是金融机构的各个金融产品,矩阵中的元素即可表示该元素所在行和所在列表示的金融产品之间加权系数。示例性地,上述金融机构可以包括银行,金融产品可以包括银行的理财产品、存款业务等。
需要说明的是,上述加权求和的实现中,对于Kendall’s tau相关性系数和spearman相关性系数各自的权重不作限定,本领域技术人员可以根据实际需求配置两者的权重。例如,由于Kendall’s tau功能性更强,在加权求和的过程中可以设置Kendall’s tau相关性系数的权重更高,spearman相关性系数相对低一点。
在一种示例中,多维相依模型优选可以为copula模型,copula模型是把多个随机变量的联合分布函数与它们各自的边缘分布函数相连起来的模型。在一种例子中,copula模型的定义可以表示如下:
假设C(u)=C(u1,...,ud)为定义在[0,1]d上的一个copula,如果它满足以下三个条件:
(1)C(u)=C(u1,...,ud)关于每一个边缘分布函数ui是单调递增的;
(2)C(1,...,ui,...,1)对任意i=1,...,d,ui∈[0,1]成立;
d)满足ai≤bi,都有
其中,对于任意j∈[1,...,d],有uj,1=aj以及uj,2=bj。
根据sklar定理,这样的C在某种意义上是唯一确定的。
需要说明的是,Copula的种类繁多,可以使用各种不同的数据类型,根据copula函数的参数数量可以分为简单、中等、复杂等类型,各自典型的代表分别为:Gaussiancopula、D-vine、R-vine。在选择时可以采用如下策略:当数据维度巨大时,可以采用简单copula,以免模型过度复杂,难以计算;当数据维度较小时,可以采用复杂copula,以提升模型精度和适用性;如果不知该如何选择时可选择中等复杂度copula,基本任何情况都能胜任。
在本实施例中,多维相依模型为采用风险价值VaR方法检验的模型,采用VaR方法进行模型检验,可以提高模型的预测效果。
根据多维相依模型中的相关性参数,可以生成对应的相关性矩阵。具体的,可以从多维相依模型中提取Kendall’s tau相关性参数,并采用该Kendall’s tau相关性参数计算两两分量之间的Kendall’s tau相关性系数,从而构建Kendall’stau相关性矩阵。还可以从多维相依模型中提取spearman相关性参数,并采用该spearman相关性参数计算两两分量之间的spearman相关性系数,从而构建spearman相关性矩阵。
本实施例选取的spearman相关性系数以及Kendall’s tau相关性系数,通过比较序列数据之间的大小排序差异来判定两者间增减幅度是否同步,从而判定两序列之间的相关性大小的方法。不像皮尔逊相关系数只能测量线性相关性,统计量收敛速度也比较快,适应范围和灵活性都比较好。
步骤120,对所述加权系数矩阵中的各金融产品的销售数据进行监测,并将监测到的触发预设销量条件的金融产品作为目标金融产品。
本实施例可以对加权系数矩阵中记录的各金融产品的销售数据进行监测。如果监测到某个金融产品的销售数据触发预设销量条件,则可以将该金融产品确定为目标金融产品。
其中,预设销量条件可以是正向的条件,例如,为了识别出销量快速增长的金融产品设定的条件,如果某个金融产品在过去一段时间内的销量(该销量等于过去一段时间的销售数据的总和)满足该正向条件(如某个增长阈值),则可以将该金融产品确定为目标金融产品。或者,预设销量条件还可以是负向的条件,例如,为了识别出销量较低的金融产品设定的条件,如果某个金融产品在过去一段时间内的销量满足该负向条件(如某个负向阈值),则可以将该金融产品确定为目标金融产品,这种金融产品则需要进行提前预警。
步骤130,从所述加权系数矩阵中,获取与所述目标金融产品的加权系数符合预设条件的金融产品,作为关联金融产品。
当监测到目标金融产品以后,则可以根据加权系数矩阵中记录的两两金融产品的加权系数,获取与该目标金融产品的加权系数符合预设条件的金融产品,作为关联金融产品。
在一种实施例中,步骤130进一步可以包括如下步骤:
从所述加权系数矩阵中,获取所述目标金融产品与其他金融产品的目标加权系数;将目标加权系数大于预设系数阈值的金融产品作为关联金融产品;若不存在目标加权系数大于预设系数阈值的金融产品,则将目标加权系数最大的前若干个金融产品作为关联金融产品。
在该实施例中,当确定目标金融产品以后,可以在加权系数矩阵中查找该目标金融产品的标识,从而查找出与该目标金融产品相关的加权系数作为目标加权系数。然后对目标加权系数进行判断,在一种实施例中可以设定一个系数阈值(例如0.5),如果某个目标加权系数大于该系数阈值(即符合预设条件),则可以将该目标加权系数对应的金融产品中除该目标金融产品以外的金融产品(该目标加权系数由行和列的分量确定,其中一个分量为目标金融产品)作为关联金融产品。如果所有的目标加权系数都不大于该系数阈值,则可以将目标加权系数最大的前若干个金融产品作为关联金融产品,例如,将前3个最大的目标加权系数对应的金融产品作为关联金融产品。
步骤140,采用所述多维相依模型对所述关联金融产品以及所述目标金融产品进行销售预测。
在确定与当前目标金融产品存在某种关联属性的关联金融产品以后,则可以将这些关键金融产品作为重点监测对象。在该步骤中,可以采用多维相依模型对上述关联金融产品进行销售预测,该销售预测的结果用于辅助相关人员判断是否加大对所述关联金融产品的推销力度,以便于提前制定营销计划。
当然除了可以预估各关联金融产品的销量以外,还可以预估目标金融产品的销量。
在确定与当前目标金融产品存在某种关联属性的关联金融产品以后,还可以向相关人员发出关联提示信息,以便于相关人员能够及时掌握金融产品之间的关联性。
在本实施例中,当获得由肯德尔相关性矩阵与斯皮尔曼相关性矩阵进行加权运算后得到的加权系数矩阵以后,通过对该加权系数矩阵中的各金融产品的销售数据进行监测,并将监测到的触发预设销量条件的金融产品作为目标金融产品。监测出目标金融产品以后,则可以从加权系数矩阵中挖掘出与目标金融产品的加权系数符合预设条件的关联金融产品,并采用多维相依模型对该关联金融产品进行销售预测。从而充分挖掘出金融产品之间的相关性,当目标金融产品的销量大幅增长时,则判定其关联金融产品的销量也会出现增长,从而可以及时提醒营销工作者加大对关联金融产品的推荐力度,形成一个良好的商机推荐机制。同时基于多维相依模型预测未来各个关联金融产品的销量,便于对未来的市场景气度进行评估。实现对金融市场需求状况更加全面准确的评估,基于此调整金融机构整体金融产品体系的推销力度和组合搭配方式,扩大销售成功率。
另外,相比于线性相关系数,肯德尔相关性系数以及斯皮尔曼相关性系数这两种秩相关系数从概率分布入手可以更加精准全面地反映了不同金融产品之间的内在关联,利用这种关联性可以更精准地确定关联金融产品,从而预测的准确率。
实施例二
图2为本申请实施例二提供的一种关联业务预测的方法实施例的流程图,本实施例在实施例一的基础上,对多维相依模型的应用进行扩展,可以包括如下步骤:
步骤210,获取加权系数矩阵,所述加权系数矩阵为将肯德尔相关性矩阵与斯皮尔曼相关性矩阵进行加权运算后生成的矩阵。
其中,所述肯德尔相关性矩阵为采用预先训练的多维相依模型产生的、用于记录两两金融产品的肯德尔相关性系数的矩阵;所述斯皮尔曼相关性矩阵为采用所述多维相依模型产生的、用于记录两两金融产品的斯皮尔曼相关性系数的矩阵;所述多维相依模型为采用风险价值VaR方法检验的模型。
示例性地,多维相依模型优选可以为copula模型。
步骤220,对所述加权系数矩阵中的各金融产品的销售数据进行监测,并将监测到的触发预设销量条件的金融产品作为目标金融产品。
步骤230,从所述加权系数矩阵中,获取与所述目标金融产品的加权系数符合预设条件的金融产品,作为关联金融产品。
步骤240,基于预设预测次数,在执行每一次预测时,采用所述多维相依模型分别预测各关联金融产品以及所述目标金融产品在未来预设时间段内每天的销售数据预测值。
步骤250,基于所述预测次数以及每次预测的销售数据预测值,分别计算各关联金融产品及所述目标金融产品每天的销量预测平均值。
步骤260,获取所述金融机构的各金融产品的每天的销量预测平均值,并计算各金融产品每天的所述销量预测平均值的总和,得到所述金融机构每天的销量预测总量。
在实际中,多维相依模型除了可以预测目标金融产品及其关联金融产品的销售数据意外,实际上可以预测金融机构中每个金融产品未来的销售数据。为了提高准确率,可以设定预测次数,在经过多次预测后取多次预测的平均值作为该金融产品当天的销售数据的最终预测结果。进一步地,还可以对各金融产品每天的销量预测平均值进行加总得到该金融机构当天的销量预测总量。
例如,需要预测各金融产品未来90天的销售量,每天预测1000次,假设有100个金融产品,则每次的预测结果是100维度(即每次预测得到100个金融产品的预测量,这个预测结果是一个100维的向量,向量的每个分量对应每个金融产品该次的销售数据预测值),每天预测1000次,可以首先计算每天每个金融产品的销量预测平均值,然后汇总100个金融产品的每日的销量预测平均值,得到该金融机构当日的的销量预测总量,将该金融机构90天中每天的销量预测总量记录下来,可以得到未来90天的销量变化趋势。在其他实施例中还可以汇总90天的销量预测总量,得到该金融机构未来90天的销量预测总量。上述预测的销量信息可以作为该金融机构对金融产品从宏观调节到微观操作的指导信息。
对各金融产品多次预测的结果进行求平均并加总后得到的预测总量,相比于直接计算历史总值做线性回归而言,会有更高的精度。原因之一是,线性回归没有考虑各金融产品之间的联动性,使得模型不够精细,且传统回归的前提假设过于强烈会极大干扰准确性,而本实施例引入了联合概率的多维相依结构,比直接预测总数的方法引入了更多数据内部结构信息,从而达到了降低方差提高预测精度的效果;其二是这种预测分量再加总的做法效果相当于是做了一次平均,可以有效减少波动性,具体体现就是方差会降低从而压缩置信区间提高精度。
在一种实施例中,本实施例还可以包括如下步骤:
若所述销量预测平均值低于第一设定阈值,或者,所述销量预测总量低于第二设定阈值,则向相关管理经营人员发出第一销量评估通知;或者,若所述销量预测平均值高于第三设定阈值,或者,所述销量预测总量高于第四设定阈值,则向相关管理经营人员发出第二销量评估通知。
其中,可以根据营销需求对预测的销量人为设定一个或多个阈值。例如,假设是用于销量预警场景,则可以设定单个金融产品的销量可承受的最低预警线,作为第一设定阈值。又如,还可以设定金融机构的总预测销量可承受的最低预警线,作为第二设定阈值。
在得到各个金融产品的销量预测平均值以后,可以将各金融产品的销量预测平均值与该第一设定阈值进行比较,若低于该第一设定阈值,表示当前金融产品的销售数据存在异常,则向相关管理经营人员发出针对该金融产品的销量风险预警。
在得到金融机构每天的销量预测总量以后,也可以将该销量预测总量与该第二设定阈值进行比较,若低于该第二设定阈值,表示当前金融机构的整体销售数据存在异常,则向相关管理经营人员发出针对当前金融机构的销量风险预警,以便于相关管理经营人员做出相应的策略调整。
在另一种例子中,假设是用于销量增长监测的场景,则可以设定针对单个金融产品的第三设定阈值。还可以设定针对金融机构的第四设定阈值。在得到各个金融产品的销量预测平均值以后,可以将各金融产品的销量预测平均值与该第三设定阈值进行比较,若高于该第三设定阈值,表示当前金融产品的销售数据增长较快,则向相关管理经营人员发出针对该金融产品的销量快速增长提示,以提醒相关人员加大该金融产品的营销力度。在得到金融机构每天的销量预测总量以后,也可以将该销量预测总量与该第四设定阈值进行比较,若高于该第四设定阈值,表示当前金融机构的整体销售数据都增长较快,则向相关管理经营人员发出针对当前金融机构的销量增长提示,以便于相关管理经营人员做出相应的策略调整。
在本实施例中,基于多维相依模型的联动关系可以预测各金融产品在未来预设时间段内每天的销售数据预测值,并通过多次预测来提高预测的精度,从而获得各金融产品每天的销量预测平均值,作为该金融产品当天的销量最终预测结果。根据各金融产品每天的销量预测平均值可以分析出各金融产品的联动变化。还可以计算各金融产品每天的销量预测平均值的总和,得到当前金融机构每天的销量预测总量,为该金融机构的基本工作业务提供从宏观调节到微观操作的指导信息,防范经营业务风险。采用多维相依模型进行预测的方法比直接用历史业务数据预测未来数据量的方法要可靠得多,达到了提高预测精度的效果。
实施例三
图3为本申请实施例三提供的一种关联业务预测的方法实施例的流程图,本实施例在实施例一或实施例二的基础上,对多维相依模型的构建过程进行说明,可以包括如下步骤:
步骤310,采集金融机构中各金融产品在过去一段时间内的历史销售数据。
在一种实现中,可以从预设的金融产品列表中获取各金融产品的标识。然后可以从各金融产品的业务数据日志记录或者业务数据表中提取过去一段时间内的历史销售数据。例如,提取各金融产品过去五年的历史销售数据。该销售数据可以体现为每一笔销售数据。
步骤320,基于各金融产品的所述历史销售数据,生成训练数据集以及测试数据集。
当采集到各金融产品在过去一段时间内的历史销售数据以后,可以对历史销售数据进行加工和处理,生成用于构建多维相依模型的训练数据集以及测试数据集。
在一种实施例中,步骤320进一步可以包括如下步骤:
步骤320-1,对各金融产品的历史销售数据按照设定的单位时间进行汇总,得到各单位时间的汇总值。
在一种示例中,可以以“天”为单位时间,将各金融产品的历史销售数据进行汇总,生成各金融产品的日销量汇总值。
步骤320-2,针对各金融产品,将所述金融产品的各单位时间的汇总值组织成该金融产品的时间序列数据。
例如,对于某个金融产品,当获得该金融产品在过去一段时间内的每日的汇总值以后,则可以将每日的汇总值按照时间顺序排列整理成该金融产品的时间序列数据。
在一种实施例中,当获得各金融产品的时间序列数据以后,还可以对各时间序列数据做初步数据清洗和加工,例如,将缺失数据补足或去除,如果数据跨度太大,则需要将数据进行标准化处理或者做Box-Cox(一种广义幂变换方法)变换。
步骤320-3,将所有金融产品的时间序列数据组织成第一数据矩阵。
在一种实现中,经过初步清洗和加工后的时间序列数据,可以按照金融产品排列成第一数据矩阵。在第一数据矩阵中,行对应每日汇总值,列对应各金融产品。
步骤320-4,将所述第一数据矩阵转换成第二数据矩阵,其中,所述第二数据矩阵中的数值在[0,1]之间。
具体的,本实施例所采用的多维相依模型为copula模型,copula模型所采用的结构是用来处理各个概率分布函数间关系的结构,所以其数值类型需要与概率分布函数相关的取值,在[0,1]之间(经验分布下的概率值)。因此,第一数据矩阵记录的数值是无法直接代入copula结构中使用的,需要将其转换成[0,1]之间的数值,最终得到第二数据矩阵,以满足后续copula模型对数据结构要求。
在一种实现中,可以将第一数据矩阵中各列记录的数值按样本分位点值转换为[0,1]之间的数值。具体可以采用经验分布的方法将各列的数据一字排开作为样本总体,然后将每个数据转化为其在样本总体中的对应分位点值。
需要说明的是,在实际中0%和100%分位点不太常见,为了使数据更合理,在不改变数据排序的情况下,可以将最小和最大的数值(0%和100%分位点对应的数据)对应的分位点作适当放缩,比如改成0.01%和99.99%,以使得转化后的数据不会出现0和1这样的数值,从而使得后续copula模型计算出的结果更加精确。
步骤320-5,将所述第二数据矩阵按照设定的划分比例划分成训练数据集以及测试数据集。
在一种示例中,得到第二数据矩阵以后,可以将第二数据矩阵中的数据按照4:1的比例(即设定的划分比例)划分成训练数据集以及测试数据集,以备模型使用。
步骤330,采用所述训练数据集对预设的初始多维相依模型进行拟合。
如上所述,在一种实施例中,多维相依模型为copula模型,可以采用极大似然法对初始的copula模型进行拟合,以估计模型参数,得到模型的拟合结构。
在一种实施例中,在模型拟合过程中,还可以采用赤池信息准则(AkaikeInformation Criterion,简称AIC)来选取最佳的模型,作为拟合好的多维相依模型。具体的,对于拟合结构的好坏,可以采用如下AIC准则来评判:
AIC=2k-2ln(L)
其中,k是copula模型的参数个数;L是样本的似然函数,可以看作是copula密度。AIC的值越小证明模型越优秀。
AIC的作用在于,对于copula模型在拟合过程中,受制于计算机迭代运算技术手段的限制,往往不能找到参数的全局最优点,只能找到局部最优点,并且可能找到的局部最优点不止一个(计算机的迭代技术往往需要给各个参数赋予初值,然后迭代参数初值不断变化最终收敛到局部最优解,所以初值不同,往往局部最优解就不一样),这个时候就可以通过比对各个局部最优点的AIC数值确定最终的最优解。除此以外,如果有其他的相依结构模型存在作为竞争对象,那么为了比较copula与这些模型孰优孰劣,也可以基于AIC准则判断哪个模型更加优秀。
步骤340,采用所述测试数据集以及所述VaR方法对拟合好的多维相依模型进行假设检验。
对于拟合好的多维相依模型,还可以采用测试数据集进行假设检验。
在一种实施例中,步骤340进一步可以包括如下步骤:
步骤340-1,采用拟合好的多维相依模型产生各金融产品的销售数据预测值,并计算各金融产品的销售数据预测值的总和,作为所述金融机构的销售预测总和;其中,产生的所述销售数据预测值的样本数量与所述测试数据集中的样本数量相同。
例如,若当前场景为预测各金融产品在未来时间段的销量数据,这个未来时间段的时长是和测试集数据对应时间段的时长一致的,可以采用拟合好的copula模型模拟产生的新数据作为销售数据预测值,其中,每一次预测输出的预测结果都是一个多元向量,多元向量中各个分量是对应金融产品的销售数据预测值。
当获得copula模型产生的各金融产品的销售数据预测值以后,可以将各金融产品的销售数据预测值加和得到当前金融机构的销售预测总和。
步骤340-2,计算所述测试数据集中各样本的历史销售数据的总和,作为测试集总和。
测试数据集中的数据样本也都是多元向量,每一个分量即为相应金融产品的历史销售数据。在该步骤中,将测试数据集中各样本的历史销售数据加和得到测试集总和,也即金融机构的历史销售数据的测试集总和。
步骤340-3,计算所述销售预测总和与所述测试集总和的差异,并基于所述差异确定风险价值值。
在该步骤中,通过对比金融机构的销售预测总和与测试集总和的差异,可以基于该差异进行copula模型的预测效果假设检验。在进行假设检验时,首先是根据差异确定风险价值值VaR(Value at Risk)。VaR是指在一定的置信水平下,金融资产或投资组合在未来某一特定时期内可能发生的值损失的风险分位点值。在一种实现中,上述差异可以包括条件方差估计值、均值、标准差等一种或结合,本实施例对此不作限制。当确定销售预测总和与测试集总和的差异以后,则可以基于该差异以及指定计算公式来计算VaR。
若置信水平为α,则VaR可以表示为VaRα,这里VaRα可以是对应的风险分位点值。例如,VaR0.9的意思是90%分位点,比如可以用拟合好的copula结构模拟产生1000个数据样本,加总后得到这1000个样本的预测总和,对这些预测总和取90%分位点数值作为VaR0.9。然后观察测试数据集中样本超过VaR0.9的概率是否符合理论上的频率,也就是1-0.9=10%。
步骤340-4,基于所述风险价值值以及所述测试数据集对拟合好的多维相依模型进行假设检验。
在一种实施例中,可以依托VaRα和测试数据集中的数据,构建无条件覆盖检验统计量LRuc、独立性检验统计量LRind以及条件覆盖检验统计量LRcc这三大假设检验用来对多维相依模型进行检验。则步骤340-4进一步可以包括如下步骤:
步骤340-4-1,将t时刻的所述测试数据集中的观测数值与t时刻的所述风险价值值进行比较,并根据所述比较的结果确定t时刻的示性数值。
其中,示性数值为示性函数在t时刻的数值。在实现时,可以预先定义示性函数Iα(t),假设测试数据集中当前t时刻的观测数值为xt,t时刻的风险价值值为VaRα(t),则当xt大于VaRα(t)时,Iα(t)的示性数值为1,否则示性数值为0。
步骤340-4-2,根据一段时间观测到的所述示性数值,以及,观测数值大于同一时刻的风险价值值的比例,构建无条件覆盖检验统计量LRuc。
其中,LRuc用来评估测试数据集中当前t时刻的观测数值xt超过VaRα的次数的发生频率是否与置信度α有显著不同。在实现时,假设测试数据集中的样本容量为n,且Iα(t)服从参数为α的伯努利分布,于是LRuc统计量服从参数为1的卡方分布,有:
步骤340-4-3,根据一段时间观测到的所述示性数值的变化情况,构建独立性检验统计量LRind。
其中,LRind用来评估测试数据集中观测数值xt超过VaRα的次数的发生时刻是否彼此之间独立,即前一次发生的极端事件与后续极端事件互不影响。记πij=P(Iα(t)=j|Iα(t-1)=i),即已知前一次示性函数取值为i的情况下后一次取值为j的频率统计,nij表示Iα从i变为j的统计次数。于是给定
步骤340-4-4,根据所述LRuc以及所述LRind构建条件覆盖检验统计量LRcc。
在一种实现中,LRcc可以是LRuc与LRind的结合,在模型设定成立的前提下有:
步骤340-4-5,分别采用所述LRuc、所述LRind及所述LRcc对所述多维相依模型进行检验,且在所述LRuc、所述LRind及所述LRcc对所述多维相依模型的检验都通过时,则判定对所述多维相依模型的检验通过。
具体的,上述LRuc、LRind及LRcc构成的三大假设检验,合在一起就构成了完备的理论检验体系,可以分别采用上述LRuc、LRind及LRcc对拟合好的copula模型进行检验。如果三个检验的检验结果均为通过,则表示模型检验通过,可以使用。如果无法通过任何一个检验,则说明该模型在基础构造上有缺陷,即便预测精度还不错,也不能使用,因为那可能是特定数据产生的巧合情况,这就给出了一个更加严谨、精准的判断依据。
步骤350,基于所述多维相依模型分别生成肯德尔相关性矩阵及斯皮尔曼相关性矩阵,并将所述肯德尔相关性矩阵与所述斯皮尔曼相关性矩阵进行加权运算后生成加权系数矩阵。
其中,肯德尔相关性矩阵为采用预先训练的多维相依模型产生的、用于记录两两金融产品的肯德尔相关性系数的矩阵;斯皮尔曼相关性矩阵为采用多维相依模型产生的、用于记录两两金融产品的斯皮尔曼相关性系数的矩阵。
步骤360,对所述加权系数矩阵中的各金融产品的销售数据进行监测,并将监测到的触发预设销量条件的金融产品作为目标金融产品。
步骤370,从所述加权系数矩阵中,获取与所述目标金融产品的加权系数符合预设条件的金融产品,作为关联金融产品。
步骤380,采用所述多维相依模型对所述关联金融产品以及所述目标金融产品进行销售预测。
其中,上述销售预测的结果用于辅助相关人员判断是否加大对所述关联金融产品的推销力度。
在本实施例中,可以从检验通过的多维相依模型中提取相关性矩阵,而在对多维相依模型进行检验时,可以采用LRuc、LRin、LRcc三大检验来评估模型预测效果的好坏,不再仅仅依靠预测精度一个维度的检验来保证模型有效性,从理论上加强了模型有效性的验证,保证了模型的可靠性。
实施例四
图4为本申请实施例四提供的一种关联业务预测的装置实施例的结构框图,可以包括如下模块:
加权系数矩阵获取模块410,用于获取加权系数矩阵,所述加权系数矩阵为将肯德尔相关性矩阵与斯皮尔曼相关性矩阵进行加权运算后生成的矩阵,所述肯德尔相关性矩阵为采用预先训练的多维相依模型产生的、用于记录两两金融产品的肯德尔相关性系数的矩阵,所述斯皮尔曼相关性矩阵为采用所述多维相依模型产生的、用于记录两两金融产品的斯皮尔曼相关性系数的矩阵;所述多维相依模型为采用风险价值VaR方法检验的模型;
目标金融产品检测模块420,用于对所述加权系数矩阵中的各金融产品的销售数据进行监测,并将监测到的触发预设销量条件的金融产品作为目标金融产品;
关联金融产品确定模块430,用于从所述加权系数矩阵中,获取与所述目标金融产品的加权系数符合预设条件的金融产品,作为关联金融产品;
销售预测模块440,用于采用所述多维相依模型对所述关联金融产品以及所述目标金融产品进行销售预测,所述销售预测的结果用于辅助相关人员判断是否加大对所述关联金融产品的推销力度。
在一种实施例中,所述装置还可以包括用于构建多维相依模型的模型构建模块,包括如下子模块:
历史数据采集子模块,用于采集金融机构中各金融产品在过去一段时间内的历史销售数据;
数据集生成子模块,用于基于各金融产品的所述历史销售数据,生成训练数据集以及测试数据集;
模型拟合子模块,用于采用所述训练数据集对预设的初始多维相依模型进行拟合;
模型检验子模块,用于采用所述测试数据集以及所述VaR方法对拟合好的多维相依模型进行假设检验。
在一种实施例中,所述模型检验子模块进一步可以包括如下单元:
预测单元,用于采用拟合好的多维相依模型产生各金融产品的销售数据预测值,并计算各金融产品的销售数据预测值的总和,作为所述金融机构的销售预测总和;其中,产生的所述销售数据预测值的样本数量与所述测试数据集中的样本数量相同;
测试集总和计算单元,用于计算所述测试数据集中各样本的历史销售数据的总和,作为测试集总和;
风险价值值确定单元,用于计算所述销售预测总和与所述测试集总和的差异,并基于所述差异确定风险价值值;
假设检验单元,用于基于所述风险价值值以及所述测试数据集对拟合好的多维相依模型进行假设检验。
在一种实施例中,所述假设检验单元具体用于:
将t时刻的所述测试数据集中的观测数值与t时刻的所述风险价值值进行比较,并根据所述比较的结果确定t时刻的示性数值;
根据一段时间观测到的所述示性数值,以及,观测数值大于同一时刻的风险价值值的比例,构建无条件覆盖检验统计量LRuc;
根据一段时间观测到的所述示性数值的变化情况,构建独立性检验统计量LRind;
根据所述LRuc以及所述LRind构建条件覆盖检验统计量LRcc;
分别采用所述LRuc、所述LRind及所述LRcc对所述多维相依模型进行检验,且在所述LRuc、所述LRind及所述LRcc对所述多维相依模型的检验都通过时,则判定对所述多维相依模型的检验通过。
在一种实施例中,所述模型构建模块还可以包括如下子模块:
模型选取子模块,用于在拟合过程中,采用赤池信息准则AIC来选取最佳的模型,作为拟合好的多维相依模型。
在一种实施例中,所述数据集生成子模块具体用于:
对各金融产品的历史销售数据按照设定的单位时间进行汇总,得到各单位时间的汇总值;
针对各金融产品,将所述金融产品的各单位时间的汇总值组织成该金融产品的时间序列数据;
将所有金融产品的时间序列数据组织成第一数据矩阵;
将所述第一数据矩阵转换成第二数据矩阵,其中,所述第二数据矩阵中的数值在[0,1]之间;
将所述第二数据矩阵按照设定的划分比例划分成训练数据集以及测试数据集。
在一种实施例中,所述销售预测模块440具体用于:
基于预设预测次数,在执行每一次预测时,采用所述多维相依模型分别预测各关联金融产品以及所述目标金融产品在未来预设时间段内每天的销售数据预测值;
基于所述预测次数以及每次预测的销售数据预测值,分别计算各关联金融产品及所述目标金融产品每天的销量预测平均值。
在一种实施例中,所述装置还包括:
销量预测总量获取模块,用于获取所述金融机构的各金融产品的每天的销量预测平均值,并计算各金融产品每天的所述销量预测平均值的总和,得到所述金融机构每天的销量预测总量。
在一种实施例中,所述装置还包括销量评估通知模块,用于:
若所述销量预测平均值低于第一设定阈值,或者,所述销量预测总量低于第二设定阈值,则向相关管理经营人员发出第一销量评估通知;
或者,
若所述销量预测平均值高于第三设定阈值,或者,所述销量预测总量高于第四设定阈值,则向相关管理经营人员发出第二销量评估通知。
在一种实施例中,所述关联金融产品确定模块430具体用于:
从所述加权系数矩阵中,获取所述目标金融产品与其他金融产品的目标加权系数;
将目标加权系数大于预设系数阈值的金融产品作为关联金融产品;
若不存在目标加权系数大于预设系数阈值的金融产品,则将目标加权系数最大的前若干个金融产品作为关联金融产品。
本申请实施例所提供的一种关联业务预测的装置可执行本申请实施例一至实施例三任一实施例中的一种关联业务预测的方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5为本申请实施例五提供的一种电子设备的结构示意图,如图5所示,该电子设备包括处理器510、存储器520、输入装置530和输出装置540;电子设备中处理器510的数量可以是一个或多个,图5中以一个处理器510为例;电子设备中的处理器510、存储器520、输入装置530和输出装置540可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器520作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例中的上述实施例一或实施例二或实施例三对应的程序指令/模块。处理器510通过运行存储在存储器520中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述的方法实施例一或实施例二或实施例三中提到的方法。
存储器520可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器520可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器520可进一步包括相对于处理器510远程设置的存储器,这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置530可用于接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。
实施例六
本申请实施例六还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行上述方法实施例一或实施例二或实施例三中的方法。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本申请任意实施例所提供的方法中的相关操作。
实施例七
本申请实施例七还提供一种计算机程序产品,该计算机程序产品包括计算机可执行指令,所述计算机可执行指令在由计算机处理器执行时用于执行上述方法实施例一或实施例二或实施例三中的方法。
当然,本申请实施例所提供的一种计算机程序产品,其计算机可执行指令不限于如上所述的方法操作,还可以执行本申请任意实施例所提供的方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本申请可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
值得注意的是,上述装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (14)
1.一种关联业务预测的方法,其特征在于,所述方法包括:
获取加权系数矩阵,所述加权系数矩阵为将肯德尔相关性矩阵与斯皮尔曼相关性矩阵进行加权运算后生成的矩阵,所述肯德尔相关性矩阵为采用预先训练的多维相依模型产生的、用于记录两两金融产品的肯德尔相关性系数的矩阵,所述斯皮尔曼相关性矩阵为采用所述多维相依模型产生的、用于记录两两金融产品的斯皮尔曼相关性系数的矩阵;所述多维相依模型为采用风险价值VaR方法检验的模型;
对所述加权系数矩阵中的各金融产品的销售数据进行监测,并将监测到的触发预设销量条件的金融产品作为目标金融产品;
从所述加权系数矩阵中,获取与所述目标金融产品的加权系数符合预设条件的金融产品,作为关联金融产品;
采用所述多维相依模型对所述关联金融产品以及所述目标金融产品进行销售预测,所述销售预测的结果用于辅助相关人员判断是否加大对所述关联金融产品的推销力度。
2.根据权利要求1所述的方法,其特征在于,所述多维相依模型采用如下方式构建:
采集金融机构中各金融产品在过去一段时间内的历史销售数据;
基于各金融产品的所述历史销售数据,生成训练数据集以及测试数据集;
采用所述训练数据集对预设的初始多维相依模型进行拟合;
采用所述测试数据集以及所述VaR方法对拟合好的多维相依模型进行假设检验。
3.根据权利要求2所述的方法,其特征在于,所述采用所述测试数据集以及所述VaR方法对拟合好的多维相依模型进行假设检验,包括:
采用拟合好的多维相依模型产生各金融产品的销售数据预测值,并计算各金融产品的销售数据预测值的总和,作为所述金融机构的销售预测总和;其中,产生的所述销售数据预测值的样本数量与所述测试数据集中的样本数量相同;
计算所述测试数据集中各样本的历史销售数据的总和,作为测试集总和;
计算所述销售预测总和与所述测试集总和的差异,并基于所述差异确定风险价值值;
基于所述风险价值值以及所述测试数据集对拟合好的多维相依模型进行假设检验。
4.根据权利要求3所述的方法,其特征在于,所述基于所述风险价值值以及所述测试数据集对拟合好的多维相依模型进行假设检验,包括:
将t时刻的所述测试数据集中的观测数值与t时刻的所述风险价值值进行比较,并根据所述比较的结果确定t时刻的示性数值;
根据一段时间观测到的所述示性数值,以及,观测数值大于同一时刻的风险价值值的比例,构建无条件覆盖检验统计量LRuc;
根据一段时间观测到的所述示性数值的变化情况,构建独立性检验统计量LRind;
根据所述LRuc以及所述LRind构建条件覆盖检验统计量LRcc;
分别采用所述LRuc、所述LRind及所述LRcc对所述多维相依模型进行检验,且在所述LRuc、所述LRind及所述LRcc对所述多维相依模型的检验都通过时,则判定对所述多维相依模型的检验通过。
5.根据权利要求2-4任一项所述的方法,在所述采用所述训练数据集对预设的初始多维相依模型进行拟合之后,还包括:
在拟合过程中,采用赤池信息准则AIC来选取最佳的模型,作为拟合好的多维相依模型。
6.根据权利要求2-4任一项所述的方法,其特征在于,所述基于各金融产品的所述历史销售数据,生成训练数据集以及测试数据集,包括:
对各金融产品的历史销售数据按照设定的单位时间进行汇总,得到各单位时间的汇总值;
针对各金融产品,将所述金融产品的各单位时间的汇总值组织成该金融产品的时间序列数据;
将所有金融产品的时间序列数据组织成第一数据矩阵;
将所述第一数据矩阵转换成第二数据矩阵,其中,所述第二数据矩阵中的数值在[0,1]之间;
将所述第二数据矩阵按照设定的划分比例划分成训练数据集以及测试数据集。
7.根据权利要求1或2所述的方法,其特征在于,所述采用所述多维相依模型对所述关联金融产品以及所述目标金融产品进行销售预测,包括:
基于预设预测次数,在执行每一次预测时,采用所述多维相依模型分别预测各关联金融产品以及所述目标金融产品在未来预设时间段内每天的销售数据预测值;
基于所述预测次数以及每次预测的销售数据预测值,分别计算各关联金融产品及所述目标金融产品每天的销量预测平均值。
8.根据权利要求7所述的方法,其特征在于,还包括:
获取所述金融机构的各金融产品的每天的销量预测平均值,并计算各金融产品每天的所述销量预测平均值的总和,得到所述金融机构每天的销量预测总量。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
若某个金融产品的所述销量预测平均值低于第一设定阈值,或者,所述销量预测总量低于第二设定阈值,则向相关管理经营人员发出第一销量评估通知;
或者,
若某个金融产品的所述销量预测平均值高于第三设定阈值,或者,所述销量预测总量高于第四设定阈值,则向相关管理经营人员发出第二销量评估通知。
10.根据权利要求1所述的方法,其特征在于,所述从所述加权系数矩阵中,获取与所述目标金融产品的加权系数符合预设条件的金融产品,作为关联金融产品,包括:
从所述加权系数矩阵中,获取所述目标金融产品与其他金融产品的目标加权系数;
将目标加权系数大于预设系数阈值的金融产品作为关联金融产品;
若不存在目标加权系数大于预设系数阈值的金融产品,则将目标加权系数最大的前若干个金融产品作为关联金融产品。
11.一种关联业务预测的装置,其特征在于,所述装置包括:
加权系数矩阵获取模块,用于获取加权系数矩阵,所述加权系数矩阵为将肯德尔相关性矩阵与斯皮尔曼相关性矩阵进行加权运算后生成的矩阵,所述肯德尔相关性矩阵为采用预先训练的多维相依模型产生的、用于记录两两金融产品的肯德尔相关性系数的矩阵,所述斯皮尔曼相关性矩阵为采用所述多维相依模型产生的、用于记录两两金融产品的斯皮尔曼相关性系数的矩阵;所述多维相依模型为采用风险价值VaR方法检验的模型;
目标金融产品检测模块,用于对所述加权系数矩阵中的各金融产品的销售数据进行监测,并将监测到的触发预设销量条件的金融产品作为目标金融产品;
关联金融产品确定模块,用于从所述加权系数矩阵中,获取与所述目标金融产品的加权系数符合预设条件的金融产品,作为关联金融产品;
销售预测模块,用于采用所述多维相依模型对所述关联金融产品以及所述目标金融产品进行销售预测,所述销售预测的结果用于辅助相关人员判断是否加大对所述关联金融产品的推销力度。
12.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-10任一项所述的方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-10任一项所述的方法。
14.一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述计算机可执行指令在被执行时用于实现权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111640907.0A CN114155048A (zh) | 2021-12-29 | 2021-12-29 | 关联业务预测的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111640907.0A CN114155048A (zh) | 2021-12-29 | 2021-12-29 | 关联业务预测的方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114155048A true CN114155048A (zh) | 2022-03-08 |
Family
ID=80449482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111640907.0A Pending CN114155048A (zh) | 2021-12-29 | 2021-12-29 | 关联业务预测的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114155048A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115270998A (zh) * | 2022-09-26 | 2022-11-01 | 乐山师范学院 | 时间序列的有序分类方法、装置、计算机设备及存储介质 |
CN115964347A (zh) * | 2023-03-16 | 2023-04-14 | 菏泽市产品检验检测研究院 | 一种市场监管监测中心数据的智能存储方法 |
-
2021
- 2021-12-29 CN CN202111640907.0A patent/CN114155048A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115270998A (zh) * | 2022-09-26 | 2022-11-01 | 乐山师范学院 | 时间序列的有序分类方法、装置、计算机设备及存储介质 |
CN115270998B (zh) * | 2022-09-26 | 2022-12-02 | 乐山师范学院 | 时间序列的有序分类方法、装置、计算机设备及存储介质 |
CN115964347A (zh) * | 2023-03-16 | 2023-04-14 | 菏泽市产品检验检测研究院 | 一种市场监管监测中心数据的智能存储方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Empirical analysis of object-oriented design metrics for predicting high and low severity faults | |
CN109615129B (zh) | 房地产客户成交概率预测方法、服务器及计算机存储介质 | |
US10031829B2 (en) | Method and system for it resources performance analysis | |
WO2021073343A1 (zh) | 通信***的故障根因分析方法、装置、***和计算机存储介质 | |
Jiang et al. | Efficient fault detection and diagnosis in complex software systems with information-theoretic monitoring | |
US20180107528A1 (en) | Aggregation based event identification | |
US20130024173A1 (en) | Computer-Implemented Systems and Methods for Testing Large Scale Automatic Forecast Combinations | |
CN114155048A (zh) | 关联业务预测的方法、装置、电子设备及存储介质 | |
CN116955092B (zh) | 基于数据分析的多媒体***监控方法及*** | |
CN110738527A (zh) | 一种特征重要性排序方法、装置、设备和存储介质 | |
WO2023115856A1 (zh) | 一种任务异常告警方法及装置 | |
US7617313B1 (en) | Metric transport and database load | |
CN114881343A (zh) | 基于特征选择的电力***短期负荷预测方法及装置 | |
CN114548493A (zh) | 一种电能表电流过载预测方法与*** | |
CN117035563B (zh) | 产品质量安全风险监测方法、设备、监测***及介质 | |
CN114118793A (zh) | 一种地方交易所风险预警方法、装置及设备 | |
CN116820826B (zh) | 一种基于调用链的根因定位方法、装置、设备及存储介质 | |
KR20180013102A (ko) | 신용도를 평가하는 방법, 장치 및 컴퓨터 판독 가능한 기록 매체 | |
CN115378928B (zh) | 基于云服务的监控方法及*** | |
US20230156043A1 (en) | System and method of supporting decision-making for security management | |
CN115630708A (zh) | 一种模型更新方法、装置、电子设备、存储介质及产品 | |
CN111325350B (zh) | 可疑组织发现***和方法 | |
CN112732519A (zh) | 一种事件监控方法及装置 | |
CN111177640A (zh) | 一种数据中心运维工作绩效评价*** | |
Biller et al. | Propagation of input uncertainty in manufacturing process flow simulations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |