本发明专利技术提出了一种银行产品的收益分析处理方法及装置，涉及人工智能技术领域，包括：获取产品收益序列数据；检验产品收益序列数据，确定检验统计量，根据检验统计量将数据划分为多维度数据及单一维度数据；根据单一维度数据创建并训练XGBoost模型；根据多维度数据创建并训练ESN模型；根据XGBoost模型及ESN模型分别得到XGBoost模型预测结果及ESN模型预测结果；根据XGBoost模型及ESN模型预测结果，确定组合模型最终预测结果；若组合模型最终预测结果与产品收益真实值的差距超出设定范围，调整参数重新训练模型，直至差距在设定范围内，模型训练完成；利用训练完成的模型对待预测的银行产品进行收益预测。行产品进行收益预测。行产品进行收益预测。
【技术实现步骤摘要】
银行产品的收益分析处理方法及装置
[0001]本专利技术涉及人工智能
，尤指一种银行产品的收益分析处理方法及装置。
技术介绍
[0002]本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]近年来，客户面临市场上众多的存款、投资理财、基金等产品，无法基于交易环境和自身资金情况做出最优的产品选择。对此，现有技术提出利用数据模型进行收益预测，但是现有技术通常采用单一模型处理，在处理非线性问题时效果较差，导致银行产品收益预测与实际发生时的真实值偏差较大，无法给客户提供准确的产品收益预测信息，并且银行产品存在数据维度多的特点，如果将不同维度得数据都输入至单一模型中，数据处理效率低，预测效果差。
[0004]综上来看，亟需一种可以克服上述缺陷，能够改进常规收益分析方式的技术方案。
技术实现思路
[0005]为解决现有技术存在的问题，本专利技术提出了一种银行产品的收益分析处理方法及装置，本专利技术基于XGBoost
‑
ESN组合模型来预测产品收益，针对产品收益序列数据进行校验处理，划分出不同的类型的数据(单一维度数据，多维度数据)，根据模型特点(XGBoost模型适用于处理单一维度数据，ESN模型适用于处理多维度数据)，将数据输入不同的模型进行处理，提高数据处理效率，并且可以提高输出结果的准确性，进一步利用组合模型的方式来分析输出结果，最大限度提高商业银行产品收益预测结果精度，为客户提供准确有效的产品收益预测信息，改善客户体验，提高客户粘性，为银行的产品推广及提升服务质量提供有力的技术支持。
[0006]在本专利技术实施例的第一方面，提出了一种银行产品的收益分析处理方法，包括：
[0007]获取产品收益序列数据；
[0008]检验所述产品收益序列数据，确定检验统计量，根据所述检验统计量将数据划分为多维度数据及单一维度数据；
[0009]根据所述单一维度数据创建并训练XGBoost模型；根据所述多维度数据创建并训练ESN模型；
[0010]根据所述XGBoost模型及ESN模型分别得到XGBoost模型预测结果及ESN模型预测结果；
[0011]根据所述XGBoost模型预测结果及ESN模型预测结果，确定组合模型最终预测结果；
[0012]若组合模型最终预测结果与产品收益真实值的差距超出设定范围，调整参数重新训练模型，直至所述差距在设定范围内，模型训练完成；
[0013]利用训练完成的模型对待预测的银行产品进行收益预测。
[0014]在本专利技术实施例的第二方面，提出了一种银行产品的收益分析处理装置，包括：
[0015]数据获取模块，用于获取产品收益序列数据；
[0016]检验模块，用于检验所述产品收益序列数据，确定检验统计量，根据所述检验统计量将数据划分为多维度数据及单一维度数据；
[0017]模型训练模块，用于根据所述单一维度数据创建并训练XGBoost模型；根据所述多维度数据创建并训练ESN模型；
[0018]模型处理模块，用于根据所述XGBoost模型及ESN模型分别得到XGBoost模型预测结果及ESN模型预测结果；
[0019]计算模块，用于根据所述XGBoost模型预测结果及ESN模型预测结果，确定组合模型最终预测结果；
[0020]修正模块，用于若组合模型最终预测结果与产品收益真实值的差距超出设定范围，调整参数重新训练模型，直至所述差距在设定范围内，模型训练完成；
[0021]银行产品收益预测模块，用于利用训练完成的模型对待预测的银行产品进行收益预测。
[0022]在本专利技术实施例的第三方面，提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现银行产品的收益分析处理方法。
[0023]在本专利技术实施例的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现银行产品的收益分析处理方法。
[0024]在本专利技术实施例的第五方面，提出了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现银行产品的收益分析处理方法。
[0025]本专利技术提出的银行产品的收益分析处理方法及装置将XGBoost模型与ESN模型进行组合使用，根据模型特点将产品收益序列数据进行划分，划分后分别输入XGBoost模型及ESN模型，提高数据处理效率，并且可以提高输出结果的准确性，进一步采用组合模型的方式分析处理输出结果，经过反复训练调节模型权重，确保收益预测结果合理性及准确性，整体方案预测方式更加灵活，泛用性强，能够为银行的产品推广及提升服务质量提供有力的技术支持。
附图说明
[0026]为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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它的附图。
[0027]图1是本专利技术一实施例的银行产品的收益分析处理方法流程示意图。
[0028]图2是本专利技术一具体实施例的数据序列检验的流程示意图。
[0029]图3是本专利技术一具体实施例的XGBoost模型的建模流程图。
[0030]图4是本专利技术一具体实施例的ESN模型的拓扑结构图。
[0031]图5是本专利技术一具体实施例的XGBoost模型与ESN模型组合修订流程示意图。
[0032]图6是本专利技术一具体实施例的整体流程关系示意图。
[0033]图7是本专利技术一实施例的银行产品的收益分析处理装置架构示意图。
[0034]图8是本专利技术另一实施例的银行产品的收益分析处理装置架构示意图。
[0035]图9是本专利技术一实施例的计算机设备结构示意图。
具体实施方式
[0036]下面将参考若干示例性实施方式来描述本专利技术的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本专利技术，而并非以任何方式限制本专利技术的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
[0037]本领域技术人员知道，本专利技术的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
[0038]根据本专利技术的实施方式，提出了一种银行产品的收益分析处理方法及装置，涉及人工智能
[0039]下面参考本专利技术的若干代表性实施方式，详细阐释本专利技术的原理和精神。
[0040]图1是本专利技术一实施例的银行产品的收益分析处理方法流程示意图。如图1所示，该方法包括：
[本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种银行产品的收益分析处理方法，其特征在于，包括：获取产品收益序列数据；检验所述产品收益序列数据，确定检验统计量，根据所述检验统计量将数据划分为多维度数据及单一维度数据；根据所述单一维度数据创建并训练XGBoost模型；根据所述多维度数据创建并训练ESN模型；根据所述XGBoost模型及ESN模型分别得到XGBoost模型预测结果及ESN模型预测结果；根据所述XGBoost模型预测结果及ESN模型预测结果，确定组合模型最终预测结果；若组合模型最终预测结果与产品收益真实值的差距超出设定范围，调整参数重新训练模型，直至所述差距在设定范围内，模型训练完成；利用训练完成的模型对待预测的银行产品进行收益预测。2.根据权利要求1所述的方法，其特征在于，检验所述产品收益序列数据，确定检验统计量，根据所述检验统计量将数据划分为多维度数据及单一维度数据，包括：根据银行的任一时间段的产品收益序列数据绘制时序图；根据所述时序图，对产品收益序列数据依次进行一阶差分至多阶差分，直至序列呈现出具有一定波动规律的随机波动现象；在具有一定波动规律的序列中截取一部分数据，进行ADF单位根检验，得到检验统计量；根据所述检验统计量将数据划分为多维度数据及单一维度数据。3.根据权利要求1所述的方法，其特征在于，该方法还包括：采用网格搜索法对所述XGBoost模型及ESN模型进行参数优化；其中，网格搜索法是通过排列组合参数的取值，划分网格，利用网格逐一训练模型，得到最优参数组合，利用最优参数调整模型。4.根据权利要求1所述的方法，其特征在于，根据所述XGBoost模型预测结果及ESN模型预测结果，确定组合模型最终预测结果，包括：利用最小二乘法联合XGBoost模型和ESN模型进行数据组合预测，确定组合模型最终预测结果。5.根据权利要求4所述的方法，其特征在于，利用最小二乘法联合XGBoost模型和ESN模型进行数据组合预测，确定组合模型最终预测结果，包括：设定XGBoost模型及ESN模型的权重分别为a1、a2，组合模型最终预测结果为：P(t)＝a1P1(t)+a2P2(t)，a1+a2＝1；其中，P(t)为在t时刻的组合模型最终预测结果；P1(t)为XGBoo...
【专利技术属性】
技术研发人员：史云峰，孟重，赵可嘉，
申请(专利权)人：中国工商银行股份有限公司，
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。