时间序列模型建立方法及装置制造方法及图纸

本发明专利技术涉及统计技术领域，提供一种时间序列模型建立方法及装置，通过获取银行的历史数据序列，并在历史数据序列满足预设条件时，对历史数据序列进行多次模型拟合，得到最终模型群；然后对最终模型群进行筛选，选择aicc值最小的作为最终模型，确保最终模型达到最好的拟合效果，最后得到的银行未来一段时间内的预测数据序列更加准确，可以有效引导银行资产负债结构的调整趋势，具有良好的应用价值。

Method and device for establishing time series model

The present invention relates to the technical field of statistics, a time series model establishing method and apparatus, through historical data to obtain bank sequence, and meet in the historical data sequence preset condition, multiple models fit the historical data series, the final model group; then the final model group were selected, choose the AICC value as the final model of minimum, to ensure that the final model achieves the best fitting effect, finally get the Bank forecast data sequence of the next period of time is more accurate and can effectively guide the adjustment tendency of bank assets and liabilities structure, has good application value.

【技术实现步骤摘要】
时间序列模型建立方法及装置
本专利技术涉及统计
，具体而言，涉及一种时间序列模型建立方法及装置。
技术介绍
时间序列模型作为一种短期预测模型，是可以广泛应用于经济、医学、气象、地理、水文、地质等各个领域。但是由于该模型的算法复杂，在建模时对数据序列有着极为严格的校验过程和复杂变换过程，而在实际生活中很少有平稳数据序列，所以该模型在实际研究中很少应用。目前，常用的时间序列模型是R语言官方公布的auto.arima算法，但是auto.arima算法只包含时间序列模型中的平稳性检验、定阶和差分过程，也就是仅仅实现了平稳性检验、差分和定阶的自动化，导致auto.arima算法的实用性很差。
技术实现思路
本专利技术的目的在于提供一种时间序列模型建立方法及装置，用以改善上述问题。为了实现上述目的，本专利技术实施例采用的技术方案如下：第一方面，本专利技术提供了一种时间序列模型建立方法，应用于银行的电子设备，用于对银行的资产负债进行预测，所述方法包括：获取所述银行的历史数据序列；判断历史数据序列是否满足预设条件；当历史数据序列满足预设条件时，对历史数据序列进行多次模型拟合，得到最终模型群；对最终模型群进行筛选，得到最终模型；根据最终模型，得到银行的预测数据序列。第二方面，本专利技术提供了一种时间序列模型建立装置，应用于银行的电子设备，用于对银行的资产负债进行预测，所述装置包括历史数据序列获取模块、判断模块、最终模型群获得模块、最终模型获得模块及预测数据序列获得模块。其中，历史数据序列获取模块用于获取所述银行的历史数据序列；判断模块用于判断历史数据序列是否满足预设条件；最终模型群获得模块用于当历史数据序列满足预设条件时，对历史数据序列进行多次模型拟合，得到最终模型群；最终模型获得模块用于对最终模型群进行筛选，得到最终模型；根据最终模型，得到银行的预测数据序列；预测数据序列获得模块用于根据最终模型，得到银行的预测数据序列。相对现有技术，本专利技术具有以下有益效果：本专利技术提供的一种时间序列模型建立方法及装置，通过获取银行的历史数据序列，并在历史数据序列满足预设条件时，对历史数据序列进行多次模型拟合，得到最终模型群；然后对最终模型群进行筛选，选择aicc值最小的模型作为最终模型，确保最终模型达到最好的拟合效果，最后得到的银行未来一段时间内的预测数据序列更加准确，可以有效引导银行资产负债结构的调整趋势，具有良好的应用价值。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1示出了本专利技术实施例提供的电子设备的方框示意图。图2示出了本专利技术实施例提供的时间序列模型建立方法流程图。图3为图2示出的步骤S102的子步骤流程图。图4为图2示出的步骤S103的子步骤流程图。图5为图2示出的步骤S104的子步骤流程图。图6为图5示出的子步骤S1045的子步骤流程图。图7为图2示出的步骤S105的子步骤流程图。图8示出了本专利技术实施例提供的电子设备的参数配置界面。图9为利用本专利技术实施例提供的时间序列模型建立方法获得的预测值。图10利用本专利技术实施例提供的时间序列模型建立方法获得的预测图。图11示出了本专利技术实施例提供的时间序列模型建立装置的方框示意图。图12为图11示出的时间序列模型建立装置中判断模块的方框示意图。图13为图11示出的时间序列模型建立装置中最终模型群获得模块的方框示意图。图14为图11示出的时间序列模型建立装置中最终模型获得模块的方框示意图。图15为图14示出的最终模型获得模块中第二执行单元的方框示意图。图16为图11示出的时间序列模型建立装置中预测数据序列获得模块的方框示意图。图标：100-电子设备；101-存储器；102-存储控制器；103-处理器；200-时间序列模型建立装置；201-历史数据序列获取模块；202-判断模块；2021-白噪声检验单元；2022-平稳性检验单元；2023-定阶差分单元；2024-判定单元；203-最终模型群获得模块；2031-中间模型群获得单元；2032-残差获取单元；2033-最终模型群获得单元；204-最终模型获得模块；2041-aicc值计算单元；2042-备选模型获得单元；2043-显著性判断单元；2044-第一执行单元；2045-第二执行单元；20451-疏系数模型建立单元；20452-aicc值获取单元；20453-第一子执行单元；20454-第二子执行单元；205-预测数据序列获得模块；2051-模型预测单元；2052-异常值检测单元。具体实施方式下面将结合本专利技术实施例中附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。请参照图1，图1示出了本专利技术实施例提供的电子设备100的方框示意图。电子设备100可以是，但不限于商业银行工作人员的台式机、笔记本电脑、智能手机、平板电脑等等。所述电子设备100包括时间序列模型建立装置200、存储器101、存储控制器102及处理器103。所述存储器101、存储控制器102及处理器103各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述时间序列模型建立装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器101中或固化在所述电子设备100的操作系统(operatingsystem，OS)中的软件功能模块。所述处理器103用于执行存储器101中存储的可执行模块，例如所述时间序列模型建立装置200包括的软件功能模块或计算机程序。其中，存储器101可以是，但不限于，随机存取存储器(RandomAccessMemory，RAM)，只读存储器(ReadOnlyMemory，ROM)，可编程只读存储器(ProgrammableRead-OnlyMemory，PROM)，可擦除只读存储器(ErasableProgrammableRead-OnlyMemory，EPROM)，电可擦除只读存储器(ElectricErasableProgrammableRead-OnlyMemory，EEPROM)等。其中，存储器101用于存储程序，所述处理器103在接收到执行指令后本文档来自技高网...

【技术保护点】
一种时间序列模型建立方法，其特征在于，应用于银行的电子设备，用于对所述银行的资产负债进行预测，所述方法包括：获取所述银行的历史数据序列；判断历史数据序列是否满足预设条件；当所述历史数据序列满足预设条件时，对所述历史数据序列进行多次模型拟合，得到最终模型群；对所述最终模型群进行筛选，得到最终模型；根据所述最终模型，得到所述银行的预测数据序列。

【技术特征摘要】
1.一种时间序列模型建立方法，其特征在于，应用于银行的电子设备，用于对所述银行的资产负债进行预测，所述方法包括：获取所述银行的历史数据序列；判断历史数据序列是否满足预设条件；当所述历史数据序列满足预设条件时，对所述历史数据序列进行多次模型拟合，得到最终模型群；对所述最终模型群进行筛选，得到最终模型；根据所述最终模型，得到所述银行的预测数据序列。2.如权利要求1所述的方法，其特征在于，所述判断历史数据序列是否满足预设条件的步骤，还包括：对所述历史数据序列进行白噪声检验，以判断所述历史数据序列是否为纯随机序列；当所述历史数据序列不是纯随机序列时，对所述历史数据序列进行平稳性检验，以判断所述历史数据序列是否为平稳序列；当所述历史数据序列不是平稳序列时，对所述历史数据序列进行定阶差分，以得到平稳序列；当所述历史数据序列是平稳序列时，判定所述历史数据序列满足预设条件。3.如权利要求1所述的方法，其特征在于，所述对历史数据序列进行多次模型拟合，得到最终模型群的步骤，包括：对所述历史数据序列进行多次模型拟合，建立多个模型，构成一个中间模型群；获取所述中间模型群中每个模型的残差；对所述中间模型群中每个模型的残差进行残差检验，若残差为白噪声则保留该模型，若残差非白噪声则剔除该模型，以得到最终模型群。4.如权利要求1所述的方法，其特征在于，所述对最终模型群进行筛选，得到最终模型的步骤，包括：计算最终模型群中每个模型的aicc值；获取aicc值最小的模型，并将该模型作为备选模型；对所述备选模型进行t检验，以判断所述备选模型的自回归系数是否具有显著性；当所述自回归系数具有显著性时，设置所述备选模型为所述最终模型；当所述自回归系数不具有显著性时，对所述备选模型进行疏系数分析，以得到所述最终模型。5.如权利要求4所述的方法，其特征在于，所述对备选模型进行疏系数分析，以得到所述最终模型的步骤，包括：根据所述备选模型，建立疏系数模型；获取所述疏系数模型的aicc值；当所述备选模型的aicc值小于所述疏系数模型的aicc值时，设置所述备选模型为最终模型；当所述疏系数模型的aicc值小于所述备选模型的aicc值时，设置所述疏系数模型为最终模型。6.如权利要求1所述的方法，其特征在于，所述根据最终模型，得到所述银行的预测数据序...

【专利技术属性】
技术研发人员：张冲，王丽燕，
申请(专利权)人：北京福布罗科技有限公司，
类型：发明
国别省市：北京,11