本发明专利技术涉及计算机技术领域，具体涉及基于时序特征分解的资金流动性预测方法、装置和电子设备，包括：获取每个交易产品的历史交易流水数据集；对所述历史交易流水数据集进行处理，得到资金流入数据序列；根据所述资金流入数据序列，结合三次指数平滑法得到资金流入预测模型；对所述历史交易流水数据集相对应的客户进行客户群体分层，统计不同客户群体资金流出的概率时序分布图，得到资金流出预测模型；结合所述资金流入预测模型和所述资金流出预测模型，得到资金流动性预测结果。本发明专利技术利用大数据分析、客户群体分层、分布统计和周期分解等方法，实现对互联网资金的流动性预测，预测精度高，能针对即将发生的流动性风险进行提前干预操作。前干预操作。前干预操作。
【技术实现步骤摘要】
基于时序特征分解的资金流动性预测方法、装置和电子设备
[0001]本专利技术涉及计算机
，尤其涉及基于时序特征分解的资金流动性预测方法、装置和电子设备。
技术介绍
[0002]根据2021年最新的“中国银保监会”的监管管理办法，商业银行需要进一步加强流动性风险管理，维护商业银行的体系安全稳健运行。
[0003]从内部运营的角度来看，针对互联网数字零售领域的线上存款，通过有效的模型和工具对其进行流动性的计量监测、预测控制，及时有效的识别风险并进行提前干预和应急处置，是主动性管理体系的重要任务。
[0004]从计财管理的角度来看，通过对整个业务的流动性量化预测，对未来资金流的趋势进行预判，及时提供流动性资金准备，满足银行内部流动性需求和监管对资产负债指标的要求。
[0005]但想要设计一个针对互联网零售存款的流动性预测模型，传统的方法可能不适用。这主要是由于，相较于传统线下网点的存款业务，互联网零售存款业务的客户群体的行为和特点不太一样。互联网零售存款客户往往呈现出以下几点规律：
[0006](1)相较于传统业务网点，互联网存款客户的规模要更加庞大。
[0007](2)客户收支意愿的行为特征分布比较发散。
[0008](3)客户群体在地域上的分布发散，从一线城市到五线城市都有分布。
[0009](4)用户黏度底，对存款收益率非常敏感。
[0010](5)多数客户在交易行为上存在小额高频的规律。
[0011]所以相比于传统业务，互联网零售存款业务的流动性预测与主动管理拥有一定的难度。
[0012]传统的针对存款流动性管理的方法往往是被动的。只有在等到流动性真正暴露出问题后再进行干预，进行补充流动性的相应操作。这种方法的弊端很明显，即存在严重的滞后性和不及时性，导致流动性波动剧烈，操作成本也往往很高。
[0013]另一方面，目前业界针对存款流动性进行主动管理的体系主要来源于传统的业务场景。这部分存款的业务场景往往发生在线下网点，有很明显的地域特征和稳定性。针对这类业务场景，使用基于统计学和趋势预测的模型就可以满足要求。但是针对线上互联网零售存款，海量的用户分布在全国各地，存单频繁且多为小的金额，对利率敏感且用户黏性低，收支特征也差异很大。在这种情况下使用简单粗暴的统计学方法很难得出一个效果优良的流动性预测模型。
[0014]针对互联网零售渠道的线上存款业务，无论从业务风控，计财管理，还是银保监会监管指标来看，都存在流动性管理的需求。由于互联网客户群体非常庞大且分布发散，存取行为又受多重因素影响，所以在这里有必要引入针对线上存款的流动性预测模型和主动干预体系。
[0015]整套流动性主动管理体系的核心是如何构建一个针对线上存款的流动性预测模型。互联网零售渠道下的客户群体分布差异较大而且繁杂，用户收支意愿又随着多种因素的变化而变化。如何构建一个结果准确、稳定、且指标没有滞后性的流动性预测模型，是需要解决的技术难点。
技术实现思路
[0016]本专利技术提供了基于时序特征分解的资金流动性预测方法、装置和电子设备，用以提高资金流动性预测精度，能针对即将发生的流动性风险进行提前干预操作。
[0017]本说明书实施例提供基于时序特征分解的资金流动性预测方法，包括：
[0018]获取每个交易产品的历史交易流水数据集；
[0019]对所述历史交易流水数据集进行处理，得到资金流入数据序列；
[0020]根据所述资金流入数据序列，结合三次指数平滑法得到资金流入预测模型；
[0021]对所述历史交易流水数据集相对应的客户进行客户群体分层，统计不同客户群体资金流出的概率时序分布图，得到资金流出预测模型；
[0022]通过所述资金流入预测模型预测目标产品在预设时间段内的资金流入，得到资金流入预测结果；
[0023]将当前时间点所有的存单持仓、所述资金流入预测结果输入所述资金流出预测模型，得到资金流出预测结果；
[0024]对每个交易产品的所述资金流入预测结果、所述资金流出预测结果进行汇总，得到资金流动性预测结果。
[0025]优选的，还包括：
[0026]判断所述资金流动性预测结果是否存在资金流动性风险；
[0027]当所述资金流动性预测结果存在资金流动性风险时，实施干预措施。
[0028]优选的，所述对所述历史交易流水数据集进行处理，包括：
[0029]对所述历史交易流水数据集中的所有交易数据进行聚合，计算历史每天资金流入金额；
[0030]将所述历史每天资金流入金额按照时间顺序排布。
[0031]优选的，所述对所述历史交易流水数据集相对应的客户进行客户群体分层，包括：
[0032]对所述历史交易流水数据集中的所有交易数据进行客户级别的聚合，计算每个客户的交易属性特征；
[0033]采用RFM模型或无监督学习的聚类算法，结合所述交易属性特征对客户群体分层。
[0034]优选的，在所述统计不同客户群体资金流出的概率时序分布图之前，包括：
[0035]按照不同客户群体切分所述历史交易流水数据集中的所有交易数据；
[0036]对切分后的所述历史交易流水数据集中的所有交易数据进行周期性时序特征分解。
[0037]优选的，所述得到资金流出预测模型，包括：
[0038]对不同客户群体资金流出的概率时序分布图进行去噪、平滑处理，得到最终的不同客户群体资金流出的概率时序分布图；
[0039]将最终的不同客户群体资金流出的概率时序分布图进行合并，得到资金流出预测
模型。
[0040]优选的，一个所述资金流入预测模型对应一个交易产品，一个所述资金流出预测模型对应一个交易产品下的一个客户分群。
[0041]本说明书实施例还提供基于时序特征分解的资金流动性预测装置，包括：
[0042]数据集获取模块，用于获取每个交易产品的历史交易流水数据集；
[0043]数据集处理模块，用于对所述历史交易流水数据集进行处理，得到资金流入数据序列；
[0044]第一模型生成模块，用于根据所述资金流入数据序列，结合三次指数平滑法得到资金流入预测模型；
[0045]第二模型生成模块，用于对所述历史交易流水数据集相对应的客户进行客户群体分层，统计不同客户群体资金流出的概率时序分布图，得到资金流出预测模型；
[0046]资金流入预测模块，用于通过所述资金流入预测模型预测目标产品在预设时间段内的资金流入，得到资金流入预测结果；
[0047]资金流出预测模块，用于将当前时间点所有的存单持仓、所述资金流入预测结果输入所述资金流出预测模型，得到资金流出预测结果；
[0048]资金流动性预测模块，用于对每个交易产品的所述资金流入预测结果、所述资金流出预测结果进行汇总，得到资金流动性预测结果。
[0049]一种电子设备，其中，该电子设备包括：
[00本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于时序特征分解的资金流动性预测方法，其特征在于，包括：获取每个交易产品的历史交易流水数据集；对所述历史交易流水数据集进行处理，得到资金流入数据序列；根据所述资金流入数据序列，结合三次指数平滑法得到资金流入预测模型；对所述历史交易流水数据集相对应的客户进行客户群体分层，统计不同客户群体资金流出的概率时序分布图，得到资金流出预测模型；通过所述资金流入预测模型预测目标产品在预设时间段内的资金流入，得到资金流入预测结果；将当前时间点所有的存单持仓、所述资金流入预测结果输入所述资金流出预测模型，得到资金流出预测结果；对每个交易产品的所述资金流入预测结果、所述资金流出预测结果进行汇总，得到资金流动性预测结果。2.如权利要求1所述的基于时序特征分解的资金流动性预测方法，其特征在于，还包括：判断所述资金流动性预测结果是否存在资金流动性风险；当所述资金流动性预测结果存在资金流动性风险时，实施干预措施。3.如权利要求1所述的基于时序特征分解的资金流动性预测方法，其特征在于，所述对所述历史交易流水数据集进行处理，包括：对所述历史交易流水数据集中的所有交易数据进行聚合，计算历史每天资金流入金额；将所述历史每天资金流入金额按照时间顺序排布。4.如权利要求1所述的基于时序特征分解的资金流动性预测方法，其特征在于，所述对所述历史交易流水数据集相对应的客户进行客户群体分层，包括：对所述历史交易流水数据集中的所有交易数据进行客户级别的聚合，计算每个客户的交易属性特征；采用RFM模型或无监督学习的聚类算法，结合所述交易属性特征对客户群体分层。5.如权利要求4所述的基于时序特征分解的资金流动性预测方法，其特征在于，在所述统计不同客户群体资金流出的概率时序分布图之前，包括：按照不同客户群体切分所述历史交易流水数据集中的所有交易数据；对切分后的所述历史交易流水数据集中的所有交易数据进行周期性时序特征分解。6.如权...
【专利技术属性】
技术研发人员：傅迪勇，李朦，
申请(专利权)人：上海华瑞银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。