CN107038486A - 金融产品预测装置以及金融产品预测方法 - Google Patents
金融产品预测装置以及金融产品预测方法 Download PDFInfo
- Publication number
- CN107038486A CN107038486A CN201610074625.1A CN201610074625A CN107038486A CN 107038486 A CN107038486 A CN 107038486A CN 201610074625 A CN201610074625 A CN 201610074625A CN 107038486 A CN107038486 A CN 107038486A
- Authority
- CN
- China
- Prior art keywords
- financial product
- mentioned
- client
- customer
- product
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种能够自动输出适合客户的金融产品组合,从而提高金融产品的检索效率的金融产品预测装置。包括:客户数据分析单元,取得客户基础数据和客户理财偏好数据,对所取得的各个上述客户基础数据和上述客户理财偏好数据分别赋予权重,计算与上述客户基础数据和上述客户理财偏好数据相匹配的客户评价指标;金融产品分析单元,取得多个金融产品的各自的特征参数,基于所取得特征参数,取得各个金融产品的金融产品评价指标;以及金融产品组合选择单元,根据上述客户评价指标与各个上述金融产品评价指标之间的差分,从多个金融产品中选择与客户评价指标相匹配的金融产品,将所选择的金融产品作为预测产品组合进行输出。
Description
技术领域
本发明涉及一种自动推荐金融产品的金融产品预测装置以及金融产品预测方法。
背景技术
目前,网络银行得到发展,通过连接到网络的客户终端等设备购买金融机构提供的金融产品的方式得到普及。
金融机构能够向客户提供多种具有规定周期的金融产品,例如定期存款、基金、理财产品等,并且,根据金融产品的周期及内容的不同而在同一时期存在同一种类的多个金融产品。基于以上的情况,客户在客户终端或界面上选择金融产品时,往往需要先选定金融产品的类别,再在相应类别的界面上从很多产品中继续选择,存在操作繁琐的问题。
此外,虽然现有的金融产品购买平台大多提供检索服务,但是客户在进行检索时往往无法在同一界面对所有金融产品进行检索,并且,即使对同一类的金融产品进行检索,也难以确定适合自己的检索式,检索的效率低下。
在专利文献1(CN103020843A)中公开了一种金融信息交互及推送方法,能够将多个金融机构发布的理财产品一并推送给客户以供选择,并且客户可以对产品进行编辑和搜索。在专利文献1中,终端会保存客户之前的搜索条件,在下次推送时根据保存的搜索条件进行相关性强的信息推送。
在专利文献1中虽然统合了不同金融机构的理财产品,但还是存在推动信息量大,种类单一而不利于客户选择的问题。
并且,不同的客户偏好会表现出不同的理财观,在不同时期也会处于不同的收入支出阶段。专利文献1的方法没有考虑理财产品的特定与客户偏好的关系,还是难以推荐适合客户的产品。
发明内容
本发明就是鉴于以上问题而完成的,本发明的目的在于,提供一种能够自动输出适合客户的金融产品组合,从而提高金融产品的检索效率的金融产品预测装置以及金融产品预测方法。
本发明的一个技术方案是金融产品预测装置,包括:客户数据分析单元,取得客户基础数据和客户理财偏好数据,对所取得的各个上述客户基础数据和上述客户理财偏好数据分别赋予权重,计算与上述客户基础数据和上述客户理财偏好数据相匹配的客户评价指标;金融产品分析单元,取得多个金融产品的各自的特征参数,基于所取得特征参数,取得各个金融产品的金融产品评价指标;金融产品组合选择单元,根据上述客户评价指标与各个上述金融产品评价指标之间的差分,从多个金融产品中选择与客户评价指标相匹配的金融产品,将所选择的金融产品作为预测产品组合进行输出。
此外,本发明的另一个技术方案是金融产品预测方法,包括:客户数据分析步骤,取得客户基础数据和客户理财偏好数据,对所取得的各个上述客户基础数据和上述客户理财偏好数据分别赋予权重,计算与上述客户基础数据和上述客户理财偏好数据相匹配的客户评价指标;金融产品分析步骤,取得多个金融产品的各自的特征参数,基于所取得特征参数,取得各个金融产品的金融产品评价指标;以及金融产品组合选择步骤,根据上述客户评价指标与各个上述金融产品评价指标之间的差分,从多个金融产品中选择与客户评价指标相匹配的金融产品,将所选择的金融产品作为预测产品组合进行输出。
通过根据客户的基础信息计算符合客户自身特点的风险率、收益率、融资偏好等客户评价指标,进而与金融产品进行比照计算,能够找到适合客户的金融产品组合,由此,减少了客户的繁琐操作的同时,还提高了金融产品的检索效率。
附图说明
图1是表示本发明的第一实施方式涉及的金融产品预测装置的结构框图。
图2是本发明的第一实施方式涉及的金融产品预测装置执行金融产品预测方法的流程图。
图3是表示本发明的第二实施方式涉及的金融产品预测装置的结构框图。
图4是本发明的第二实施方式涉及的金融产品预测装置执行金融产品预测方法的流程图。
图5是表示大数据分析预测模式的框图。
图6是本发明涉及的金融产品预测系统的硬件拓扑图。
具体实施方式
以下,参照附图说明本发明的优选实施方式。另外,在不同实施方式中,对同一部件赋予相同的附图标记,并适当省略重复的说明。
(第一实施方式)
本发明所涉及到的金融产品预测装置用于推荐所预测的适合客户特征的金融产品的组合。该金融产品预测装置可以安装于具有客户端、传输层、服务器端在内的金融产品预测系统中。能够将金融产品预测装置集中或者分散安装于该金融产品预测系统中的各个构成要素中。
例如,当金融产品预测系统的客户端是移动终端的情况下,本发明所涉及的金融产品预测装置也可以安装于客户的移动终端中,通过移动终端的界面,向客户输出所推荐的金融产品的组合。
图1是表示本发明的第一实施方式涉及的金融产品预测装置的结构框图。
如图1所示,金融产品预测装置100包括客户数据分析部10、金融产品分析部20以及金融产品组合选择部30。
客户数据分析部10取得客户基础数据和客户理财偏好数据,对所取得的各个客户基础数据和客户理财偏好数据分别赋予权重,计算与客户基础数据和客户理财偏好数据相匹配的客户评价指标。
其中,客户基础数据表示客户现状的基础信息,例如包括存贷比、资金流水、年龄、职业等实际特征信息。客户理财偏好数据表示能够表现出客户偏好的特征信息,例如包括现有的投资组合、期望收益等。此外,客户基础数据x1、x2、……xi和客户理财偏好数据y1、y2……yj(i、j=1、2、3……)相对于收益率和风险率可以按照不同的维度而分别被量化为针对收益率的客户基础数据x01、x02、……x0i和客户理财偏好数据y01、y02……y0j以及针对风险率的客户基础数据x11、x12、……x1i和客户理财偏好数据y11、y12……y1j。
也可以针对不同评价指标使用相同的客户基础数据和客户理财偏好数据,并在计算不同评价指标时相应修改赋予给各自的客户基础数据和客户理财偏好数据的权重,使权重中体现出计算不同评价指标时所使用的基于客户基础数据和客户理财偏好数据的不同分数。
所谓金融产品是金融机构所提供的、具有一定周期的产品,包括一定期限内的活期存款、定期存款、通知存款、货币基金、银行理财、债券、指数型基金、混合型基金、股票型基金等。
客户评价指标表示能够对理财偏好进行评价的指标,例如可以是收益率、风险率或者弹性资本等,也可以是多个指标的组合。以下以优选的收益率和风险率的组合为例,作为客户评价指标进行计算。
在第一实施方式中,客户数据分析部10利用线性或者非线性模型预测算法(例如下述式1)对作为客户基础数据的各项参数x1、x2、……xi以及作为客户理财偏好的各项参数y1、y2……yj(i、j=1、2、3……)分别赋予收益率权重mi、mj以及风险率权重ni、nj,从而获得一组与客户信息相匹配的客户期待收益率p0%和客户期待风险率q0%。
式1:
p0%=f1(x0i k01×mi,y0j k02×mj)
q0%=f2(x1i k01×ni,y1j k02×nj)
其中,k01、k02分别是各个参数的次方,k01、k02=0、1、2……。在k01=k02=1时,f1()和f2()成为线性函数。
非线性模型预测算法中使用的函数f1()、f2()是能够代入表示客户基础数据和客户理财偏好数据的各项参数而分别获得客户偏好的收益率和风险率的函数,也可以使用现有的函数。只要是将参数与权重之积传导到作为收益率和风险率的结果的函数即可。
作为一例,例如使用线性的加法运算计算客户期待收益率p0%和客户期待风险率q0%。
此外,在客户基础数据和客户理财偏好为不同维度的数据时,客户数据分析部10先统一不同数据之间的维度,再进行模型预测算法。或者,客户数据分析部10也可以将客户基础数据和客户理财偏好量化成分别对应于风险率或收益率时的不同分数后,再赋予权重来进行模型预测算法。
客户数据分析部10所进行的计算作为大数据分析预测模式,例如在服务器端进行。图5是表示大数据分析预测模式的框图。在该大数据分析预测模式下,服务器端基于客户基础数据库、客户理财偏好数据库、金融产品数据库,通过建模对各种服务器收集到的数据进行处理,算出客户期待收益率和客户期待风险率。
此外,金融产品分析部20取得多个金融产品的各自的特征参数,基于所取得的特征参数,取得各个金融产品的金融产品评价指标。
金融产品分析部20可以采用线性或非线性模型预测算法,对各个(例如n个)金融产品的现有收益率、预期收益率、第三方评级、预期风险率、资金灵活度等各项特征参数进行多维度分析,获得各个金融产品的预测收益率p1%、p2%、……pn%和预测风险率q1、q2、……qn%,其中n是大于1的自然数。
这里的n个金融产品是金融机构正在销售的产品。也可以根据客户所指定的理财周期或者待售期的长度等先行对金融产品进行检索,仅将产品周期满足指定周期内的金融产品作为金融产品分析部20的n个金融产品。
金融产品分析部20也可以从金融机构的服务器中直接取得金融机构对各个金融产品赋予的预测收益率和预测风险率作为特征参数,从而直接使用这些特征参数作为各个金融产品的金融产品评价指标。此外,金融产品评价指标也不限于预测收益率和预测风险率,也可以采用其他评价指标例如也可以采用与弹性资本有关的特征参数作为金融产品评价指标。
金融产品组合选择部30根据客户数据分析部10计算出的客户期待收益率p0%和客户期待风险率q0%与金融产品分析部20获得的各个预测收益率p1%、p2%、……pn%和预测风险率q1、q2、……qn%的差分,从n个金融产品中选择与客户评价指标相匹配的金融产品,将所选择的金融产品作为预测产品组合进行输出。
作为选择的标准之一,金融产品组合选择部30可以利用基于上述差分的函数f3(pn%-p0%,qn%-q0%),分别计算表示金融产品与客户评价指标之间的匹配度的分数,从多个金融产品中选择上述分数满足规定条件的金融产品作为与客户评价指标相匹配的金融产品,将所选择的金融产品作为预测产品组合进行输出。
所谓规定条件是对函数f3()的结果划定的适当的范围,可以根据预测产品组合中的数量限制或从用户终端受理的可容忍最大偏差而设定规定条件。
此外,也可以设定多个规定条件,从而金融产品组合选择部30基于多个规定条件,而按照每个规定条件来选择预测产品组合,从而输出多组预测产品组合。
在第一实施方式中,金融产品预测装置100中的客户数据分析部10、金融产品分析部20以及金融产品组合选择部30既可以是能够实现各自功能的模块,也可以是能够实现各自功能的专业电路。其中,客户数据分析部10相当于“客户数据分析单元”,金融产品分析部20相当于“金融产品分析单元”,金融产品组合选择部30相当于“金融产品组合选择单元”。
图2是本发明的第一实施方式涉及的金融产品预测装置执行金融产品预测方法的流程图。以下结合附图2的流程图,使用一个具体的例子说明金融产品预测装置执行金融产品预测方法的详细流程。
第一实施方式的金融产品预测装置定期或者在受理到来自客户终端或金融机构的指示时,执行金融产品预测方法,向特定客户推荐适合该客户的金融产品组合。
首先,在步骤S201,客户数据分析部10取得客户基础数据和客户理财偏好数据,对所取得的各个客户基础数据和客户理财偏好数据分别赋予权重,计算与客户基础数据和客户理财偏好数据相匹配的客户评价指标。
作为一个具体实施例,设基础数据xi为基于年龄的x1和基于职业的x2,理财偏好yi为基于投资年限的y1和基于专业的y2,以如下表1所示的客户A的信息为例,进行说明。
表1:
基础数据xi | 理财偏好yi |
年龄33岁 | 投资年限5年 |
职业公务员 | 经济类 |
如表1所示,金融产品预测装置所面向的特定客户是一名年龄33岁、投资年限5年且专业为经济类的公务员。
这些信息被输入客户数据分析部10中。另一方面,客户数据分析部10中预先存储有如下表2所示的、各个基础数据x1、x2的不同等级范围对应收益率时的分数以及不同等级范围对应风险率时的分数。客户数据分析部10中还预先存储有如下表3所示的、各个理财偏好y1、y2的不同等级范围对应收益率时的分数以及不同等级范围对应风险率时的分数。
表2:
基础数据xi | (3%,10%) | (5%,20%) |
年龄 | 0-22岁,60岁及以上 | 23-45岁 |
职业 | 公务员 | IT职员 |
表3:
理财偏好yi | 1 | 1.2 |
投资年限 | 3年及以下 | 3年以上 |
专业 | 非经济类 | 经济类 |
如表2所示,在基础数据xi中,对应收益率时的分数以及对应风险率时的分数被设置为不同的值,例如对应于“年龄为23-45岁”的特征,基础数据xi的(5%,20%)表示,基础数据xi为年龄时,对应收益率时的分数为5%,对应风险率时的分数被设置为20%。这些分数都是从外部输入或者依据历史数据而预先设定的。此外,针对不同的基础数据,对应收益率时的分数以及对应风险率时的分数也可以为相同的值。
此外,如表3所示,在理财偏好yi中,对应收益率时的分数以及对应风险率时的分数被设置同一值,例如对应于“投资年限为3年及以下”的特征,理财偏好yi的1表示,理财偏好yi为投资年限时,对应收益率时的分数和对应风险率时的分数都为1。这些分数都是从外部输入或者依据历史数据而预先设定的。此外,针对不同的理财偏好,对应收益率时的分数以及对应风险率时的分数也可以为不同的值。
客户数据分析部10按照所输入的客户A的各个特征,从表2和表3中提取相应的分数进行客户A的期望收益率以及期望风险率的计算。具体来说,如下式那样算出期望收益率为4.8%,期望风险率为18%。
客户A的期望收益率f1=[(年龄期望收益率+职业期望收益率)*0.5]*[(投资年限期望理财偏好+专业期望偏好率)*0.5]=[(5%+3%)*0.5]*[(1.2+1.2)*0.5]=4.8%
客户A的期望风险率f2=[(年龄期望风险率+职业期望风险率)*0.5]*[(投资年限期望理财偏好+专业期望偏好率)*0.5]=[(10%+20%)*0.5]*[(1.2+1.2)*0.5]=18%
接下来,进入步骤S202,金融产品分析部20取得多个金融产品各自的预测风险率和预测收益率。设金融产品分析部20所保持的金融产品的预测风险率和预测收益率的记录如下表4所示。
表4:
产品 | (收益率,风险率) |
产品1 | (4%,15%) |
产品2 | (20%,50%) |
产品3 | (5%,20%) |
产品4 | (1%,0) |
接着,在步骤S203中,金融产品组合选择部30根据客户数据分析部10计算出的客户期望收益率和客户期望风险率与金融产品分析部20获得的各个预测收益率和预测风险率之间的差分,从多个金融产品中选择与客户评价指标相匹配的金融产品,将所选择的金融产品作为预测产品组合进行输出。
具体来说,金融产品组合选择部30利用基于上述差分的函数计算表示金融产品与客户评价指标之间的匹配度的分数,从多个金融产品中选择上述分数满足规定条件的金融产品作为与客户评价指标相匹配的金融产品,将所选择的金融产品作为预测产品组合进行输出。
以上述的客户A为例,预先设定的规定条件是,函数f3[|产品的收益率-客户的收益率|*(1+|产品的风险率-客户的风险率|)]/[客户的收益率*(1+客户的风险率)]<客户的风险率。
将各个金融产品对应的值以及客户A的得分分别带入函数f3,针对金融产品1~4,分别得到的分数与客户期待风险率的比较结果如下:
f3(产品1)=14.5%<客户的风险率18%
f3(产品2)=350%>客户的风险率18%
f3(产品3)=3.6%<客户的风险率18%
f3(产品4)=79%>客户的风险率18%。
通过上述比较结果可知,满足规定条件的金融产品为产品1和产品3,因此,金融产品组合选择部30将金融产品1和金融产品3作为预测产品组合推荐给客户A。
通过根据客户的基础信息计算符合客户自身特点的风险率、收益率、融资偏好等客户评价指标,进而与金融产品进行比照计算,能够找到适合客户的金融产品组合,由此,减少了客户的繁琐操作的同时,还提高了金融产品的检索效率。
(第二实施方式)
在第二实施方式中,金融产品预测装置除了具有第一实施方式所述的各个功能之外,还具有自学习动态修正模块,能够基于上一周期的执行结果,对当期的客户评价指标进行修正。以下主要针对第二实施方式与第一实施方式之间的不同点进行说明,并适当省略重复的说明。
图3是表示本发明的第二实施方式涉及的金融产品预测装置的结构框图。
如图3所示,金融产品预测装置100’包括客户数据分析部10、金融产品分析部20、金融产品组合选择部30以及自学习动态修正部40。
客户数据分析部10取得客户基础数据和客户理财偏好数据,对所取得的各个客户基础数据和客户理财偏好数据分别赋予权重,计算与客户基础数据和客户理财偏好数据相匹配的客户评价指标。
金融产品分析部20取得多个金融产品的各自的特征参数,基于所取得特征参数,取得各个金融产品的金融产品评价指标。
金融产品组合选择部30根据客户数据分析部10计算出的客户期待收益率p0%和客户期待风险率q0%与金融产品分析部20获得的各个预测收益率p1%、p2%、……pn%和预测风险率q1、q2、……qn%的差分,从n个金融产品中选择与客户评价指标相匹配的金融产品,将所选择的金融产品作为预测产品组合进行输出。
此外,自学习动态修正部40取得客户在上一期实际购买的金融产品组合中的比例分配,作为预测偏差履历,对当期的、上述客户数据分析单元所计算出的客户评价指标进行修正。
由于客户数据分析部10依据客户基础数据和客户理财偏好数据进行客户评价指标的计算,因此,即使是不同的客户,如果客户基础数据和客户理财偏好数据相同,则会得到相同的客户评价指标。
为了进一步细化客户之间的差异,自学习动态修正部40还能够结合客户的金融产品购买历史数据,对客户评价指标进行修正。
自学习动态修正部40可以根据客户在上一期的金融产品组合购买对不同金融产品分配的资金比例,进一步掌握客户的理财偏好,从而对对客户评价指标进行修正。
例如,将客户在上一期所选择的金融产品组合中各个金融产品的收益率按照分配的比例进行统合相加,将所得到的收益率作为当期的客户评价指标。
在第二实施方式中,金融产品预测装置100’中的客户数据分析部10、金融产品分析部20、金融产品组合选择部30以及自学习动态修正部40既可以是能够实现各自功能的模块,也可以是能够实现各自功能的专业电路。其中,自学习动态修正部40相当于“自学习动态修正单元”。
图4是本发明的第二实施方式涉及的金融产品预测装置执行金融产品预测方法的流程图。以下结合附图4的流程图,使用一个具体的例子说明金融产品预测装置通过自学习动态修正模块执行金融产品预测方法的详细流程。
第二实施方式的金融产品预测装置定期或者在受理到来自客户终端或金融机构的指示时,执行金融产品预测方法,向特定客户推荐适合该客户的金融产品组合。
首先,在步骤S401,客户数据分析部10取得客户基础数据和客户理财偏好数据,对所取得的各个客户基础数据和客户理财偏好数据分别赋予权重,计算与客户基础数据和客户理财偏好数据相匹配的客户评价指标。
接下来,进入步骤S402,金融产品分析部20取得多个金融产品各自的预测风险率和预测收益率。
接着,在步骤S403中,金融产品组合选择部30根据客户数据分析部10计算出的客户期望收益率和客户期望风险率与金融产品分析部20获得的各个预测收益率和预测风险率之间的差分,从多个金融产品中选择与客户评价指标相匹配的金融产品,将所选择的金融产品作为预测产品组合进行输出。
在第一个理财周期结束之后,进入步骤S404,自学习动态修正部40取得上一期的客户实际购买金融产品组合及各个金融产品的资金比例,对当期的、期待收益率和期待风险率进行修改。
在此,以两个客户A和客户B为例,同样使用第一实施方式中的表4的数据,来说明自学习动态修正部40所尽心的自学习动态修正过程。
设客户A与客户B的基础数据与理财偏好完全相同,都满足如下表5的内容。
表5:
基础数据xi | 理财偏好yi |
年龄33岁 | 投资年限5年 |
职业公务员 | 经济类 |
因此,根据第一实施方式中所例举的客户A的例子所示,在步骤S401~S403之后,金融产品预测装置针对客户A和客户B都会推荐同样的金融产品组合(产品1和产品3)。
而实际上在第二期中,客户A与客户B虽然都购买了产品1和产品3,但各自所购买的比例并不一致。
其中,客户A和客户B在第一期购买的金融产品的比例分别如下表6所示。
表6:
产品1 | 产品3 | |
客户A | 0.5 | 0.5 |
客户B | 0.2 | 0.8 |
也就是说,根据表6所示,客户A对产品1和产品3购买的比例相同,都为50%,但客户B对产品1和产品3购买的比例为2比8。
对此,自学习动态修正部40根据客户A和客户B实际购买的产品比例,对各自的期待收益率和期待风险率进行了修正。其中,
客户A的修正收益率=0.5*4%+0.5*5%=4.5%
客户A的修正风险率=0.5*15%+0.5*20%=17.5%
客户B的修正收益率=0.2*4%+0.8*5%=4.8%
客户B的修正风险率=0.2*15%+0.8*20%=19%
从而在第二期以后,返回步骤S402,金融产品组合选择部30按照客户A、客户B的修正收益率和修正风险率,重新选择当期的金融产品组合。
在第二实施方式中,能够取得与第一实施方式相同的技术效果,并且,通过追加自学习动态修正过程,即使针对特征相同的多个客户,也能够根据不同客户各自的金融产品购买履历来修正各自的期待收益率和期待风险率,从而能够推荐更加适合特定客户的金融产品组合,提高金融产品预测装置的预测效率。
(变形例)
此外,自学习动态修正部40也可以计算已完成的理财周期中客户实际选择的金融产品组合中的各金融产品的金融产品评价指标与该金融产品的实际执行结果之间的差异,作为预测偏差履历,根据所计算出的预测偏差履历,对当期的赋予给上述客户基础数据和上述客户理财偏好数据的权重进行修正。
具体来说,自学习动态修正部40取得客户的历史投资数据,特别是取得客户上一期实际选择的金融产品组合的详细情况,所选择的产婆通过动态修正算法对前一周期的各项收益率权重mi、mj以及风险率权重ni、nj进行修正,获得本期的修正收益率权重mi’、mj’以及风险率权重ni’、nj’,将修正后的本期的修正收益率权重mi’、mj’以及风险率权重ni’、nj’用于客户数据分析部10的计算中,从而利用如下的式2,得到客户修正收益率p0’%和客户修正风险率q0’%。
式1:
p0'%=f1(x0i k01×mi',y0j k02×mj')
q0'%=f2(x1ik01×ni',y1j k02×nj')
其中,k01、k02分别是各个参数的次方,k01、k02=0、1、2……。在k01=k02=1时,f1()和f2()成为线性函数。
自学习动态修正部根据金融产品匹配结果与期末执行结果之间的差异,通过动态修正算法对前一周期中的客户评价指标的计算中所需的加权值进行修正,从而在本期获得更加准确的客户评价指标,能够进一步提高金融产品的检索效率。
(金融产品预测系统)
本发明所涉及的金融产品预测装置可以安装于具有客户端、传输层、服务器端在内的金融产品预测系统中。特别是,能够集中或者分散安装于该金融产品预测系统中的各个构成要素中。因此,以下对金融产品预测系统进行说明。
图6是本发明涉及的金融产品预测系统的硬件拓扑图。金融产品预测系统由客户端、传输层、服务器端构成,传输层基于有线、NPC、无线通讯技术、蜂窝通讯技术实现客户端及服务器端的双向交互。
在层次上,金融产品预测系统又能够分为网络层、应用层、数据交换层以及控制层。
如图6所示,网络层中连接有服务器,例如分布式服务器或集中式服务器,服务器端在应用层中,基于本发明的金融产品预测装置中所具备的客户数据分析部、金融产品分析部等大数据分析模块、自学习动态修正模块、信息反馈优化模块等,利用TCP、IP等协议和金融产品数据库,实现金融产品的优化设计。这里,在应用层可以具有工程师操作站,以便受理来自金融机构的指示。
客户固定终端或者客户移动终端连接在数据交换层,利用专有协议与上层进行通信。
并且,在客户终端侧得到控制层,具有数据输入模块和客户展示界面,能够及时进行与客户之间的人机互动。
利用图6所示的金融产品预测系统的硬件拓扑,能够统合多个金融机构与网络资源,充分执行本发明的金融产品预测方法。
(其他变形例)
本发明的金融产品预测装置也可以作为能够实现各个实施方式中所说明的功能的电路安装在终端,也可以作为能够使计算机执行的程序,储存于磁盘(软盘(floppy,登录商标)、硬盘等)、光盘(CD-ROM、DVD等)、光磁盘(MO)、半导体存储器等存储介质而发布。
而且,基于从存储介质安装于计算机的程序的指示在计算机上运转的OS(操作系统)、数据库管理软件、网络软件等的MW(中间件)等也可以执行用于实现上述实施方式的各处理的一部分。
以上说明了本发明的几个实施方式,但这些实施方式是作为例子而提出的,并不是想限定发明范围。这些新的实施方式可以以其他各种各样的方式实施,可以在不脱离发明主旨的范围内进行各种各样的省略、置换和变更。这些实施方式或其变形包含在发明范围或主旨内,并且也包含在权利要求范围中记载的发明及其均等的范围内。
Claims (18)
1.一种金融产品预测装置,其特征在于,包括:
客户数据分析单元,取得客户基础数据和客户理财偏好数据,对所取得的各个上述客户基础数据和上述客户理财偏好数据分别赋予权重,计算与上述客户基础数据和上述客户理财偏好数据相匹配的客户评价指标;
金融产品分析单元,取得多个金融产品的各自的特征参数,基于所取得特征参数,取得各个金融产品的金融产品评价指标;以及
金融产品组合选择单元,根据上述客户评价指标与各个上述金融产品评价指标之间的差分,从多个金融产品中选择与客户评价指标相匹配的金融产品,将所选择的金融产品作为预测产品组合进行输出。
2.根据权利要求1所述的金融产品预测装置,其特征在于,
上述客户评价指标是客户期待收益率和客户期待风险率,
上述金融产品评价指标是金融产品收益率和金融产品风险率。
3.根据权利要求1所述的金融产品预测装置,其特征在于,
上述客户数据分析单元利用线性或非线性模型预测算法,计算与上述客户基础数据和上述客户理财偏好数据相匹配的客户评价指标。
4.根据权利要求1所述的金融产品预测装置,其特征在于,
上述金融产品分析单元利用线性或非线性模型预测算法,基于所取得特征参数,计算各个金融产品的预测收益率和预测风险率,作为金融产品评价指标。
5.根据权利要求1所述的金融产品预测装置,其特征在于,
上述金融产品组合选择单元利用基于上述差分的函数计算表示金融产品与客户评价指标之间的匹配度的分数,从多个金融产品中选择上述分数满足规定条件的金融产品作为与客户评价指标相匹配的金融产品,将所选择的金融产品作为预测产品组合进行输出。
6.根据权利要求5所述的金融产品预测装置,其特征在于,
上述金融产品组合选择单元基于多个上述规定条件,按照每个规定条件来选择预测产品组合,从而输出多组预测产品组合。
7.根据权利要求1所述的金融产品预测装置,其特征在于,
还具有自学习动态修正单元,该自学习动态修正单元取得客户在上一期实际购买的金融产品组合中的比例分配,作为预测偏差履历,对当期的、上述客户数据分析单元所计算出的客户评价指标进行修正。
8.根据权利要求1所述的金融产品预测装置,其特征在于,
还具有自学习动态修正单元,该自学习动态修正单元计算已完成的理财周期中客户实际选择的金融产品组合中的各金融产品的金融产品评价指标与该金融产品的实际执行结果之间的差异,作为预测偏差履历,根据所计算出的预测偏差履历,对当期的赋予给上述客户基础数据和上述客户理财偏好数据的权重进行修正。
9.根据权利要求1所述的金融产品预测装置,其特征在于,
上述多个金融产品包括类别不同的类别的金融产品。
10.一种金融产品预测方法,其特征在于,包括:
客户数据分析步骤,取得客户基础数据和客户理财偏好数据,对所取得的各个上述客户基础数据和上述客户理财偏好数据分别赋予权重,计算与上述客户基础数据和上述客户理财偏好数据相匹配的客户评价指标;
金融产品分析步骤,取得多个金融产品的各自的特征参数,基于所取得特征参数,取得各个金融产品的金融产品评价指标;以及
金融产品组合选择步骤,根据上述客户评价指标与各个上述金融产品评价指标之间的差分,从多个金融产品中选择与客户评价指标相匹配的金融产品,将所选择的金融产品作为预测产品组合进行输出。
11.根据权利要求10所述的金融产品预测方法,其特征在于,
上述客户评价指标是客户期待收益率和客户期待风险率,
上述金融产品评价指标是金融产品收益率和金融产品风险率。
12.根据权利要求10所述的金融产品预测方法,其特征在于,
在上述客户数据分析步骤中,利用线性或非线性模型预测算法,计算与上述客户基础数据和上述客户理财偏好数据相匹配的客户评价指标。
13.根据权利要求10所述的金融产品预测方法,其特征在于,
在上述金融产品分析步骤中,利用线性或非线性模型预测算法,基于所取得特征参数,计算各个金融产品的预测收益率和预测风险率,作为金融产品评价指标。
14.根据权利要求10所述的金融产品预测方法,其特征在于,
上述金融产品组合选择步骤中,利用基于上述差分的函数计算表示金融产品与客户评价指标之间的匹配度的分数,从多个金融产品中选择上述分数满足规定条件的金融产品作为与客户评价指标相匹配的金融产品,将所选择的金融产品作为预测产品组合进行输出。
15.根据权利要求14所述的金融产品预测方法,其特征在于,
在上述金融产品组合选择步骤中,基于多个上述规定条件,按照每个规定条件来选择预测产品组合,从而输出多组预测产品组合。
16.根据权利要求10所述的金融产品预测方法,其特征在于,
还包括自学习动态修正步骤,取得客户在上一期实际购买的金融产品组合中的比例分配,作为预测偏差履历,对当期的、上述客户数据分析单元所计算出的客户评价指标进行修正。
17.根据权利要求10所述的金融产品预测方法,其特征在于,
还具有自学习动态修正步骤,在该自学习动态修正步骤中,该自学习动态修正单元计算已完成的理财周期中客户实际选择的金融产品组合中的各金融产品的金融产品评价指标与该金融产品的实际执行结果之间的差异,作为预测偏差履历,根据所计算出的预测偏差履历,对当期的赋予给上述客户基础数据和上述客户理财偏好数据的权重进行修正。
18.根据权利要求10所述的金融产品预测方法,其特征在于,
上述多个金融产品包括类别不同的类别的金融产品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610074625.1A CN107038486A (zh) | 2016-02-03 | 2016-02-03 | 金融产品预测装置以及金融产品预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610074625.1A CN107038486A (zh) | 2016-02-03 | 2016-02-03 | 金融产品预测装置以及金融产品预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107038486A true CN107038486A (zh) | 2017-08-11 |
Family
ID=59532976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610074625.1A Pending CN107038486A (zh) | 2016-02-03 | 2016-02-03 | 金融产品预测装置以及金融产品预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107038486A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665463A (zh) * | 2017-08-16 | 2018-02-06 | 平安科技(深圳)有限公司 | 投资产品的资源处理方法、装置、存储介质和计算机设备 |
CN107909471A (zh) * | 2017-11-24 | 2018-04-13 | 和美(深圳)信息技术股份有限公司 | 一种业务处理的方法、装置、自助终端设备及存储介质 |
CN108230150A (zh) * | 2017-12-28 | 2018-06-29 | 合肥凯捷技术有限公司 | 一种金融行业融资业务数据分析系统 |
CN108242016A (zh) * | 2018-01-25 | 2018-07-03 | 阿里巴巴集团控股有限公司 | 一种产品推荐的方法和装置 |
CN108537387A (zh) * | 2018-04-17 | 2018-09-14 | 北京中电普华信息技术有限公司 | 一种售电公司规模变化的预测方法及装置 |
CN108734587A (zh) * | 2018-05-22 | 2018-11-02 | 深圳壹账通智能科技有限公司 | 金融产品的推荐方法及终端设备 |
CN109087206A (zh) * | 2018-08-01 | 2018-12-25 | 深圳前海桔子信息技术有限公司 | 一种金融产品的发布方法、装置、设备和存储介质 |
CN109214926A (zh) * | 2018-08-22 | 2019-01-15 | 泰康保险集团股份有限公司 | 基于区块链的理财产品推荐方法、装置、介质及电子设备 |
CN109308662A (zh) * | 2018-09-27 | 2019-02-05 | 北京亚联之星信息技术有限公司 | 一种数据匹配、数据处理方法及设备 |
CN109447784A (zh) * | 2018-10-11 | 2019-03-08 | 依睿迪亚(南京)智能科技有限公司 | 一种通过二级市场上点对点贷款的自动购买策略获得上述市场回报的方法 |
CN109472646A (zh) * | 2018-11-16 | 2019-03-15 | 广发证券股份有限公司 | 一种金融产品推荐方法及装置 |
WO2019061612A1 (zh) * | 2017-09-29 | 2019-04-04 | 平安科技(深圳)有限公司 | 贷款产品推广方法、装置及计算机可读存储介质 |
WO2019071890A1 (zh) * | 2017-10-10 | 2019-04-18 | 平安科技(深圳)有限公司 | 产品推荐装置、方法及计算机可读存储介质 |
CN109711974A (zh) * | 2018-11-20 | 2019-05-03 | 平安科技(深圳)有限公司 | 贷款产品自动匹配方法、装置、计算机设备和存储介质 |
CN109993337A (zh) * | 2017-12-29 | 2019-07-09 | 广州潽蓝信息科技有限公司 | 一种金融产品实时管理方法、装置和服务器 |
CN110197295A (zh) * | 2019-04-23 | 2019-09-03 | 深圳壹账通智能科技有限公司 | 预测金融产品购入中的风险的方法和相关装置 |
CN110555601A (zh) * | 2019-08-15 | 2019-12-10 | 陈爱玲 | 一种金融产品交易管理系统 |
CN110795622A (zh) * | 2019-10-08 | 2020-02-14 | 支付宝(杭州)信息技术有限公司 | 资源确定方法、装置、计算设备和存储介质 |
CN111967948A (zh) * | 2020-09-08 | 2020-11-20 | 中国银行股份有限公司 | 一种银行产品推荐方法、装置、服务器及存储介质 |
CN113706309A (zh) * | 2021-08-30 | 2021-11-26 | 山东理工大学 | 一种基于人工智能的投资风险评估方法及系统 |
TWI749938B (zh) * | 2020-12-04 | 2021-12-11 | 玉山商業銀行股份有限公司 | 金融操作評分系統及方法 |
CN114782150A (zh) * | 2022-06-21 | 2022-07-22 | 北京梦幻天下科技有限公司 | 一种基于金融产品定向筛选的金融产品推荐方法和系统 |
-
2016
- 2016-02-03 CN CN201610074625.1A patent/CN107038486A/zh active Pending
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665463A (zh) * | 2017-08-16 | 2018-02-06 | 平安科技(深圳)有限公司 | 投资产品的资源处理方法、装置、存储介质和计算机设备 |
WO2019033741A1 (zh) * | 2017-08-16 | 2019-02-21 | 平安科技(深圳)有限公司 | 投资产品的资源处理方法、装置、存储介质和计算机设备 |
WO2019061612A1 (zh) * | 2017-09-29 | 2019-04-04 | 平安科技(深圳)有限公司 | 贷款产品推广方法、装置及计算机可读存储介质 |
WO2019071890A1 (zh) * | 2017-10-10 | 2019-04-18 | 平安科技(深圳)有限公司 | 产品推荐装置、方法及计算机可读存储介质 |
CN107909471A (zh) * | 2017-11-24 | 2018-04-13 | 和美(深圳)信息技术股份有限公司 | 一种业务处理的方法、装置、自助终端设备及存储介质 |
CN108230150A (zh) * | 2017-12-28 | 2018-06-29 | 合肥凯捷技术有限公司 | 一种金融行业融资业务数据分析系统 |
CN109993337A (zh) * | 2017-12-29 | 2019-07-09 | 广州潽蓝信息科技有限公司 | 一种金融产品实时管理方法、装置和服务器 |
CN108242016A (zh) * | 2018-01-25 | 2018-07-03 | 阿里巴巴集团控股有限公司 | 一种产品推荐的方法和装置 |
CN108242016B (zh) * | 2018-01-25 | 2022-01-25 | 创新先进技术有限公司 | 一种产品推荐的方法和装置 |
CN108537387A (zh) * | 2018-04-17 | 2018-09-14 | 北京中电普华信息技术有限公司 | 一种售电公司规模变化的预测方法及装置 |
CN108734587A (zh) * | 2018-05-22 | 2018-11-02 | 深圳壹账通智能科技有限公司 | 金融产品的推荐方法及终端设备 |
CN109087206A (zh) * | 2018-08-01 | 2018-12-25 | 深圳前海桔子信息技术有限公司 | 一种金融产品的发布方法、装置、设备和存储介质 |
CN109214926A (zh) * | 2018-08-22 | 2019-01-15 | 泰康保险集团股份有限公司 | 基于区块链的理财产品推荐方法、装置、介质及电子设备 |
CN109308662A (zh) * | 2018-09-27 | 2019-02-05 | 北京亚联之星信息技术有限公司 | 一种数据匹配、数据处理方法及设备 |
CN109447784A (zh) * | 2018-10-11 | 2019-03-08 | 依睿迪亚(南京)智能科技有限公司 | 一种通过二级市场上点对点贷款的自动购买策略获得上述市场回报的方法 |
CN109472646A (zh) * | 2018-11-16 | 2019-03-15 | 广发证券股份有限公司 | 一种金融产品推荐方法及装置 |
CN109711974A (zh) * | 2018-11-20 | 2019-05-03 | 平安科技(深圳)有限公司 | 贷款产品自动匹配方法、装置、计算机设备和存储介质 |
CN110197295A (zh) * | 2019-04-23 | 2019-09-03 | 深圳壹账通智能科技有限公司 | 预测金融产品购入中的风险的方法和相关装置 |
CN110555601A (zh) * | 2019-08-15 | 2019-12-10 | 陈爱玲 | 一种金融产品交易管理系统 |
CN110795622A (zh) * | 2019-10-08 | 2020-02-14 | 支付宝(杭州)信息技术有限公司 | 资源确定方法、装置、计算设备和存储介质 |
CN111967948A (zh) * | 2020-09-08 | 2020-11-20 | 中国银行股份有限公司 | 一种银行产品推荐方法、装置、服务器及存储介质 |
TWI749938B (zh) * | 2020-12-04 | 2021-12-11 | 玉山商業銀行股份有限公司 | 金融操作評分系統及方法 |
CN113706309A (zh) * | 2021-08-30 | 2021-11-26 | 山东理工大学 | 一种基于人工智能的投资风险评估方法及系统 |
CN114782150A (zh) * | 2022-06-21 | 2022-07-22 | 北京梦幻天下科技有限公司 | 一种基于金融产品定向筛选的金融产品推荐方法和系统 |
CN114782150B (zh) * | 2022-06-21 | 2022-09-13 | 北京梦幻天下科技有限公司 | 一种基于金融产品定向筛选的金融产品推荐方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107038486A (zh) | 金融产品预测装置以及金融产品预测方法 | |
CN109063945B (zh) | 一种基于价值评估体系的售电公司360度客户画像构建方法 | |
Shi et al. | Analytics for cross‐border e‐commerce: inventory risk management of an online fashion retailer | |
Meyer et al. | National economic policy simulations with global interdependencies: a sensitivity analysis for Germany | |
KR20060107850A (ko) | 손익관리정보제시방법 및 손익관리정보제시장치, 및 손익관리정보제시처리프로그램 | |
Tyers | Japanese economic stagnation: causes and global implications | |
WO2010019897A1 (en) | Automatically prescribing total budget for marketing and sales resources and allocation across spending categories | |
CN108389069A (zh) | 基于随机森林和逻辑回归的优质客户识别方法及装置 | |
Zhu et al. | Does participation in global value chains extend export duration? | |
CN111192161A (zh) | 电力市场交易对象推荐方法、装置 | |
WO2019232551A1 (en) | Intelligent diversification tool | |
CN108364191A (zh) | 基于随机森林和逻辑回归的优质客户优化识别方法及装置 | |
CN108122153A (zh) | 电子商务环境下基于云计算处理模式的个性化推荐方法 | |
CN113674013B (zh) | 一种基于商户自定义规则的广告竞价调整方法及系统 | |
JP2021099830A (ja) | 世界的に取得したデータに基づいて、世界企業ランキングをリアルタイムに作成するため方法、及び世界的ネットワークシステム | |
CN114077980A (zh) | 智能供应商管理系统及智能供应商管理方法 | |
Schneider et al. | Seasonal volatility in agricultural markets: Modelling and empirical investigations | |
CN113642923A (zh) | 基于历史催收数据的不良资产包价值评估方法 | |
Yue et al. | Product life cycle based demand forecasting by using artificial bee colony algorithm optimized two-stage polynomial fitting | |
Mosavi et al. | Self-sufficiency versus free trade: the case of rice in Iran | |
Pham | Temporal causality and the dynamics of foreign direct investment and trade in Vietnam | |
CN116227958A (zh) | 一种基于持仓与净值动态量化评价偏债型基金经理的方法与系统 | |
Beaulieu et al. | Integrating expenditure and income data: what to do with the statistical discrepancy? | |
CN116308599A (zh) | 基于产品标签与客户标签的理财产品智能推荐方法和装置 | |
KR20170014397A (ko) | 오픈 api용 리얼타임 자동주식거래방법 및 이를 실행시키기 위한 컴퓨터프로그램 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170811 |