基于历史数据的日间流动性状况回溯方法及系统技术方案

本发明专利技术提供了一种基于历史数据的日间流动性状况回溯方法及系统。该方法包括：获取历史交易数据；对历史交易数据进行预处理；提取历史交易数据的特征；利用特征对回溯预测模型进行训练；利用完成训练的回溯预测模型对日间流动性状况进行预测。本发明专利技术提供的基于历史数据的日间流动性状况回溯方法及系统实现对商业银行日间流动性状况的回溯分析，从而分析出日间流动性的状况，减少对人工经验的依赖，更合理的进行流动性分析。合理的进行流动性分析。合理的进行流动性分析。

【技术实现步骤摘要】
基于历史数据的日间流动性状况回溯方法及系统


[0001]本专利技术涉及金融科技
，特别是涉及一种基于历史数据的日间流动性状况回溯方法及系统。

技术介绍

[0002]《商业银行流动性风险管理办法》要求：商业银行应当加强日间流动性风险管理，确保具有充足的日间流动性头寸和相关融资安排，及时满足正常和压力情景下的日间支付需求，并且对流动性预测提出了新的要求：有效计量每日的预测现金流入总量和流出总量，日间各个时点现金流入和流出的规模、缺口等。而且明确了商业银行应当结合历史数据对日间流动性状况进行回溯分析。本专利是为了满足监管要求，是一种基于历史数据根据算法来实现对日间流动性状况的回溯分析方法。
[0003]在此之前商业银行的采取的方法是通过存贷款变化分析法，传统的对银行日间流动性状况的分析，实际上就是对资金流动性和需要量的分析，银行的资金实用情况每日都处于变化之中，资金的变化，取决于银行存贷款资金量的变化，存款的吸收会引起银行准备金的增加，贷款放贷的增加，会出现准备金不足。因此传统是通过对银行存贷款的变化趋势来分析流动性状况的，存款是银行的被动负债，存款变化的主动权更多的掌握在客户受众，但还是有规律可循的。另一方面，贷款需求的变化不同于存款的波动，贷款的主动权掌握在银行手中，但银行只有在流动性充足的情况下才会发放新的贷款。通常是通过计算每日的存款总额、存款变动额、贷款总额、贷款变动额，来大致计算出流动性是富余还是不足，通过存款的变动额
‑
贷款变动额可以计算出流动性的变化，就可分析出流动性是否充足。
[0004]现有基于存贷款变化分析流动性状况的方法由以下缺点：
⑴
无法对存款的提前支取、贷款的提前还款和活期存款的不确定性进行预测，并且活期存款等主要取决于客户行为，虽能通过活期存款沉淀率等指标进行计算，但往往这些指标都是根据人工经验来评估的，由于经验值的差异，因此不确定性较大，预测准确性低。
[0005]⑵
无法进行精细化的预测，例如回溯分析到每日具体时间点的流动性状况，预测各支付通道支付交易的流量和资金量。

技术实现思路

[0006]本专利技术要解决的技术问题是提供一种基于历史数据的日间流动性状况回溯方法及系统，实现对商业银行日间流动性状况的回溯分析，从而分析出日间流动性的状况，减少对人工经验的依赖，更合理的进行流动性分析。
[0007]为解决上述技术问题，本专利技术提供了一种基于历史数据的日间流动性状况回溯方法，所述方法包括：获取历史交易数据；对历史交易数据进行预处理；提取历史交易数据的特征；利用特征对回溯预测模型进行训练；利用完成训练的回溯预测模型对日间流动性状况进行预测。
[0008]在一些实施方式中，对历史交易数据进行预处理，包括：按照支付渠道、业务类型、机构等将历史交易数据进行归类。
[0009]在一些实施方式中，对历史交易数据进行预处理，还包括：填充历史交易数据中的缺失数据。
[0010]在一些实施方式中，回溯预测模型包括：分别训练的ARIMA模型、XGBoost模型及LSTM模型。
[0011]在一些实施方式中，利用特征对回溯预测模型进行训练，包括：利用训练数据分别训练ARIMA模型、XGBoost模型及LSTM模型；对ARIMA模型、XGBoost模型及LSTM模型，按照各自的拟合效果进行线性融合；以及其他一些时间序列模型。
[0012]在一些实施方式中，利用特征对回溯预测模型进行训练，包括：计算五天内、七天内、十四天内同一时刻的数据均值，并将时间分为月内五种类型，日间类型，进行独热编码后都作为预测的特征。
[0013]在一些实施方式中，月内五种类型包括：前6天、6
‑
12天、12
‑
18天、18
‑
24天、24
‑
30天。
[0014]在一些实施方式中，日间类型包括：6
‑
8点、8
‑
10点、10
‑
12点、12
‑
14点、14
‑
16点、16
‑
18点。
[0015]在一些实施方式中，还包括：在利用完成训练的回溯预测模型对日间流动性状况进行预测之前，对回溯预测模型进行效果评估。
[0016]此外，本专利技术还提供了一种基于历史数据的日间流动性状况回溯系统，所述系统包括：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根据前文所述的基于历史数据的日间流动性状况回溯方法。
[0017]采用这样的设计后，本专利技术至少具有以下优点：本专利技术充分满足《商业银行流动性风险管理办法》，管理办法要求商业银行应当结合历史数据对日间流动性状况进行回溯分析，有效计量每日的预期现金流入总量和流出总量，日间各个时点现金流入和流出的规模、缺口；本专利技术利用分析算法模型，结合商业银行历史交易明细数据分析，能够有效预测出日间各个时点的资金以及缺口情况，并且可以对各个支付渠道、各资金清算户的资金缺口进行分析；本专利技术能够促进流动性分析预测的准确性和精细化，通过历史数据的分析和预测，不仅能够高精确度的预测出流动性的规模，而且提升了流动性的精细化管理，解决了传统存贷款变化计算和人工经验预测的不足。
附图说明
[0018]上述仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，以下结合附图与具体实施方式对本专利技术作进一步的详细说明。
[0019]图1是基于历史数据的日间流动性状况回溯方法的流程示意图。
具体实施方式
[0020]以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0021]基与历史交易数据，结合ARIMA、XGBoost、LSTM等算法实现对商业银行日间流动性状况的回溯分析，从而分析出日间流动性的状况，减少对人工经验的依赖，更合理地进行流动性分析。
[0022]工作流程：历史交易数据加工按照支付渠道将数据分类填充历史缺失数据进行特征工程：计算五天内，七天内，十四天内同一时刻的数据均值，并将时间分为月内的五种类型（前6天，6
‑
12天，
…
以此类推），日间数据（6
‑
8点，8
‑
10点
…
以此类推），进行独热编码后都作为预测的特征。
[0023]分别根据每类数据的历史预测每日资金流入和流出训练三种模型ARIMA模型：传统的构建时间序列模型的方法，针对对时间表现出依赖关系的序列，如明显的趋势性周期性等，有着较好的拟合效果。
[0024]XGBoost：由梯度提升决策树变种而来的一种算法，比起传统的时间序列模型，可以向模型中添加的特征更多，从而改进拟合的效果。实现这个算法的流程中需要设置一个时间步，记作k。将前k天的特征都作为要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于历史数据的日间流动性状况回溯方法，其特征在于，包括：获取历史交易数据；对历史交易数据进行预处理；提取历史交易数据的特征；利用特征对回溯预测模型进行训练；利用完成训练的回溯预测模型对日间流动性状况进行预测。2.根据权利要求1所述的基于历史数据的日间流动性状况回溯方法，其特征在于，对历史交易数据进行预处理，包括：按照支付渠道，将历史交易按渠道划分。3.根据权利要求2所述的基于历史数据的日间流动性状况回溯方法，其特征在于，对历史交易数据进行预处理，还包括：填充历史交易数据中的缺失数据。4.根据权利要求1所述的基于历史数据的日间流动性状况回溯方法，其特征在于，回溯预测模型包括：分别训练的ARIMA模型、XGBoost模型及LSTM模型。5.根据权利要求4所述的基于历史数据的日间流动性状况回溯方法，其特征在于，利用特征对回溯预测模型进行训练，包括：利用训练数据分别训练ARIMA模型、XGBoost模型及LSTM模型；对ARIMA模型、XGBoost模型及LSTM模型，按照各自的拟合效果进行线性融合。6.根据权利要求1所述的基于历史数据的日间流动性状况回溯方法，其特征在于，利用特征对回溯预测模型进行训练，包括：计算五天内、七天内、十四天内同一时刻的数据均值，并将时间分为月内五种...

【专利技术属性】
技术研发人员：张亲松，
申请(专利权)人：北京神州数字科技有限公司，
类型：发明
国别省市：