一种预测用户开通信用账户的方法和装置制造方法及图纸

本发明专利技术提供一种预测用户开通信用账户的方法和装置，包括：获取未开通信用账户的一个或多个目标客户在设定时间段内的交易信息，其中，交易信息包括：交易日期以及与交易日期对应的持仓数据、成交数据和委托数据；将设定时间段内的各交易日期与预测日期以天为单位计算得到的不同时间差形成时间序列；选取与该交易日期对应的持仓数据、成交数据和委托数据中的一种或多种，并与时间序列对应组成输入数据；将输入数据输入至预先训练完毕的对应LSTM模型进行计算，得到LSTM模型输出的一个或多个目标客户的开户概率。本发明专利技术能够摆脱依靠人工对用户开户意愿判断的主观性，有效提高预测用户开通信用账户概率的准确性、稳定性及效率。

A Method and Device for Predicting Users'Accounts for Opening Communications

The invention provides a method and device for predicting the opening of a user's communication account, including acquiring the transaction information of one or more target customers who have not opened a communication account during a set period of time, in which the transaction information includes: the transaction date and the position data corresponding to the transaction date, the transaction data and the Commission data; and the transaction date and the forecast date in the set period of time. Time series are formed by different time differences calculated in days; one or more of the holding data, transaction data and Commission data corresponding to the transaction date are selected and the input data are composed corresponding to the time series; the input data are input into the corresponding LSTM model which has been trained in advance, and the account opening of one or more target customers output by the LSTM model is obtained. Probability. The invention can get rid of the subjectivity of judging the user's willingness to open an account manually, and effectively improve the accuracy, stability and efficiency of predicting the probability of opening an account for a user.

【技术实现步骤摘要】
一种预测用户开通信用账户的方法和装置
本专利技术涉及信息
，特别是一种预测用户开通信用账户的方法和装置。
技术介绍
证券行业的用户开了普通账户后，满足监管部门的相关要求可以申请开信用账户。信用账户开通后，用户可以有更多的业务参与，而且也有利于证券公司的开展多种业务。现有技术中，一方面，对信用账户开户通常由客户经理人对用户信息进行人工统计和分析，根据经验和个人判断来确定用户开通信用账户的意愿，但是这种方法主观性强，准确性极不稳定；另一方面，只能从用户信息中简单筛选基础条件满足要求的用户进行推广活动，但是这种方式对信用账户开户意愿也无法做到精准预测。
技术实现思路
针对上述问题，本专利技术旨在提供一种预测用户开通信用账户的方法和装置，其能够提高信用账户开户预测准确性。本专利技术的目的采用以下技术方案来实现：第一方面，提供一种预测用户开通信用账户的方法，包括：获取未开通信用账户的一个或多个目标客户在设定时间段内的交易信息，其中，交易信息包括：交易日期以及与交易日期对应的持仓数据、成交数据和委托数据；将设定时间段内的各交易日期与预测日期以天为单位计算得到的不同时间差形成时间序列；选取与该交易日期对应的持仓数据、成交数据和委托数据中的一种或多种，并与时间序列对应组成输入数据；将输入数据输入至预先训练完毕的对应LSTM模型进行计算，得到LSTM模型输出的一个或多个目标客户的开户概率。在一种实施方式中，该方法还包括：根据输出目标客户的开户概率从中筛选出开户概率大于设定阈值的目标客户并输出。在一种实施方式中，该方法还包括：记录每个目标客户在一预测时间段内一个或多个预测日期对应的开户概率，并与该开户日期对应组成开户概率预测序列；输出开户概率预测序列中每个开户概率都在设定的阈值区间内的目标客户信息及其开户概率预测序列。在一种实施方式中，该方法还包括：获取在预测时间段内实际开通信用账户的客户信息及其开户概率预测序列，根据其中的开户概率调整设定的阈值区间范围。在一种实施方式中，其中持仓数据包括持仓率，持仓率为买入资金占总资金的比例；成交数据包括成交占比，成交占比为成交金额占总资产的比例；委托数据包括委托占比，委托占比为冻结金额占总资产的比例。在一种实施方式中，采用的LSTM模型具体为：ft＝σ(Wf·[ht-1,xt]+bf)it＝σ(Wi·[ht-1,xt]+bi)ot＝σ(Wo·[ht-1,xt]+bo)ht＝ot*tanh(Ct)其中，ft表示遗忘门限，it表示输入门限，表示前一时刻记忆单元(cell)状态、Ct表示记忆单元状态，ot表示输出门限，ht表示当前记忆单元的输出，ht-1表示前一时刻记忆单元的输出，σ表示激活函数，bf表示遗忘门限的偏置，Wf表示遗忘门限的权重，bi表示输入门限的偏置，Wi表示输入门限的权重，bo表示输出门限的偏置，Wo表示输出门限的权重，bC表示记忆单元的偏置，WC表示记忆单元的权重。在一种实施方式中，该采用的LSTM模型中，具体采用的激活函数σ为Sigmoid函数。在一种实施方式中，该采用的LSTM模型中，具体采用的激活函数σ为Relu函数。在一种实施方式中，该采用的LSTM模型中，具体采用的激活函数σ为：其中，α表示设定的激活因子。在一种实施方式中，该方法还包括预先训练LSTM模型，其中，训练LSTM模型包括：获取未开通信用账户的样本用户在第一设定时间段内的第一交易信息，其中，第一交易信息包括交易日期，以及对应交易日期的持仓数据、成交数据和委托数据；将第一设定时间段内的各交易日期与第一设定日期以天为单位计算得到的不同时间差形成时间序列；选取第一交易信息中的与交易日期对应的持仓数据、成交数据和委托数据中的一种或多种，并与时间序列对应组成第一训练数据；和/或获取已开通信用账户的样本用户在第二设定时间段内的第二交易信息，其中，第二交易信息包括交易日期，以及对应交易日期的持仓数据、成交数据和委托数据；将第二设定时间段内的各交易日期与第二设定日期以天为单位计算得到的不同时间差形成时间序列；选取第二交易信息中的与交易日期对应的持仓数据、成交数据和委托数据中的一种或多种，并与时间序列对应组成第二训练数据；生成训练样本，其中训练样本包括第一训练数据及其对应的第一用户分类标识和/或第二训练数据及其对应的第二用户分类标识；用训练样本作为输入数据训练LSTM模型，并对LSTM模型参数进行调优，获得训练完毕的LSTM模型并存储。在一种实施方式中，对LSTM模型参数进行调优，进一步包括：多次调整LSTM模型参数，获得多个模型收敛程度，选择模型收敛度大于或等于设定收敛值的模型参数。在一种实施方式中，该方法还包括：确定持仓数据、成交数据和委托数据中一种或多种的选取以用于组成输入数据，或者，输入数据、第一训练数据和第二训练数据，其中，确定持仓数据、成交数据和委托数据中一种或多种的选取包括：计算持仓数据、成交数据和委托数据三种参数之间的相关系数，去除三种参数中大于设定阈值且最大的相关系数所涉及的参数，选择剩下的参数以用于组成输入数据，或者，输入数据、第一训练数据和第二训练数据；采用逐步回归法从被去除的参数中筛选出显著性最优的参数，将所筛选出的参数用于组成输入数据，或者，输入数据、第一训练数据和第二训练数据。第二方面提供一种预测用户开通信用账户的装置，该装置包括：用户交易信息获取模块，获取未开通信用账户的一个或多个目标客户在设定时间段内的交易信息，其中，交易信息包括：交易日期以及与交易日期对应的持仓数据、成交数据和委托数据；输入数据生成模块，将设定时间段内的各交易日期与预测日期以天为单位计算得到的不同时间差形成时间序列；选取与交易日期对应的持仓数据、成交数据和委托数据中的一种或多种，并与时间序列对应组成输入数据；处理模块，将输入数据输入至预先训练完毕的对应LSTM模型进行计算，得到LSTM模型输出的一个或多个目标客户的开户概率。在一种实施方式中，该处理模块还包括：根据输出目标客户的开户概率从中筛选出开户概率大于设定阈值的目标客户并输出。在一种实施方式中，上述持仓数据包括持仓率，持仓率为买入资金占总资金的比例；成交数据包括成交占比，成交占比为成交金额占总资产的比例；委托数据包括委托占比，委托占比为冻结金额占总资产的比例。在一种实施方式中，该处理模块中，采用的LSTM模型具体为：ft＝σ(Wf·[ht-1,xt]+bf)it＝σ(Wi·[ht-1,xt]+bi)ot＝σ(Wo·[ht-1,xt]+bo)ht＝ot*tanh(Ct)其中，ft表示遗忘门限，it表示输入门限，表示前一时刻记忆单元(cell)状态、Ct表示记忆单元状态，ot表示输出门限，ht表示当前记忆单元的输出，ht-1表示前一时刻记忆单元的输出，σ表示激活函数，bf表示遗忘门限的偏置，Wf表示遗忘门限的权重，bi表示输入门限的偏置，Wi表示输入门限的权重，bo表示输出门限的偏置，Wo表示输出门限的权重，bC表示记忆单元的偏置，WC表示记忆单元的权重。在一种实施方式中，该采用的LSTM模型中，具体采用的激活函数σ为Sigmoid函数。在一种实施方式中，该采用的LSTM模型中，具体采用的激活函数σ为Relu函数。在一种实施方式中，采用的LSTM模型中，具体采用本文档来自技高网...

【技术保护点】
1.一种预测用户开通信用账户的方法，其特征在于，包括：获取未开通信用账户的一个或多个目标客户在设定时间段内的交易信息，其中，所述交易信息包括：交易日期以及与所述交易日期对应的持仓数据、成交数据和委托数据；将所述设定时间段内的各交易日期与预测日期以天为单位计算得到的不同时间差形成时间序列；选取与所述交易日期对应的持仓数据、成交数据和委托数据中的一种或多种，并与时间序列对应组成输入数据；将所述输入数据输入至预先训练完毕的对应LSTM模型进行计算，得到所述LSTM模型输出的所述一个或多个目标客户的开户概率。

【技术特征摘要】
1.一种预测用户开通信用账户的方法，其特征在于，包括：获取未开通信用账户的一个或多个目标客户在设定时间段内的交易信息，其中，所述交易信息包括：交易日期以及与所述交易日期对应的持仓数据、成交数据和委托数据；将所述设定时间段内的各交易日期与预测日期以天为单位计算得到的不同时间差形成时间序列；选取与所述交易日期对应的持仓数据、成交数据和委托数据中的一种或多种，并与时间序列对应组成输入数据；将所述输入数据输入至预先训练完毕的对应LSTM模型进行计算，得到所述LSTM模型输出的所述一个或多个目标客户的开户概率。2.根据权利要求1所述的一种预测用户开通信用账户的方法，其特征在于，所述方法还包括：记录每个目标客户在一预测时间段内一个或多个预测日期对应的开户概率，并与该开户日期对应组成开户概率预测序列；输出所述开户概率预测序列中每个开户概率都在设定的阈值区间内的目标客户信息及其所述开户概率预测序列。3.根据权利要求2所述的一种预测用户开通信用账户的方法，其特征在于，所述方法还包括：获取在所述预测时间段内实际开通信用账户的客户信息及其所述开户概率预测序列，根据其中的开户概率调整所述设定的阈值区间范围。4.根据权利要求1所述的一种预测用户开通信用账户的方法，其特征在于，其中，所述持仓数据包括持仓率，所述持仓率为买入资金占总资金的比例；所述成交数据包括成交占比，所述成交占比为成交金额占总资产的比例；所述委托数据包括委托占比，所述委托占比为冻结金额占总资产的比例。5.根据权利要求1所述的一种预测用户开通信用账户的方法，其特征在于，所述LSTM模型具体为：ft＝σ(Wf·[ht-1，xt]+bf)it＝σ(Wi·[ht-1，xt]+bi)ot＝σ(Wo·[ht-1，xt]+bo)ht＝ot*tanh(Ct)其中，ft表示遗忘门限，it表示输入门限，表示前一时刻记忆单元(cell)状态、Ct表示记忆单元状态，ot表示输出门限，ht表示当前记忆单元的输出，ht-1表示前一时刻记忆单元的输出，σ表示激活函数，bf表示遗忘门限的偏置，Wf表示遗忘门限的权重，bi表示输入门限的偏置，Wi表示输入门限的权重，bo表示输出门限的偏置，Wo表示输出门限的权重，bC表示记忆单元的偏置，WC表示记忆单元的权重。6.根据权利要求5所述的一种预测用户开通信用账户的方法，其特征在于，所述方法还包括预先训练LSTM模型，其中，所述训练LSTM模型包括：获取未开通信用账户的样本用户在第一设定时间段内的第一交易信息，其中，所述第一交易信息包括交易日期，以及对应所述交易日期的持仓数据、成交数据和委托数据；将所述第一设定时间段内的各交易日期与第一设定日期以天为单位计算得到的不同时间差形成时间序列；选取所述第一交易信息中的与交易日期对应的持仓数据、成交数据和委托数据中的一种或多种，并与时间序列对应组成第一训练数据；和/或获取已开通信用账户的样本用户在第二设定时间段内的第二交易信息，其中，所述第二交易信息包括交易日期，以及对应所述交易日期的持仓数据、成交数据和委托数据；将所述第二设定时间段内的各交易日期与第二设定日期以天为单位计算得到的不同时间差形成时间序列；选取所述第二交易信息中的与交易日期对应的持仓数据、成交数据和委托数据中的一种或多种，并与时间序列对应组成第二训练数据；生成训练样本，其中所述训练样本包括所述第一训练数据及其对应的第一用户...

【专利技术属性】
技术研发人员：齐晓凯，布和，张再春，张庆伟，潘潇，王小龙，
申请(专利权)人：国融证券股份有限公司，
类型：发明
国别省市：内蒙古,15