CN108564458A - 一种基于蒙特卡洛模拟的消费预测方法及系统 - Google Patents
一种基于蒙特卡洛模拟的消费预测方法及系统 Download PDFInfo
- Publication number
- CN108564458A CN108564458A CN201810018603.2A CN201810018603A CN108564458A CN 108564458 A CN108564458 A CN 108564458A CN 201810018603 A CN201810018603 A CN 201810018603A CN 108564458 A CN108564458 A CN 108564458A
- Authority
- CN
- China
- Prior art keywords
- target
- month
- applicant
- time
- preset
- 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.)
- Granted
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供的一种基于蒙特卡洛模拟的消费预测方法及系统,获取目标申请人在预设时间段内的消费数据;确定与所述消费数据相对应的目标概率密度函数和目标回归方程,将目标概率密度函数和目标回归方程输入蒙特卡洛模型,根据所述目标概率密度函数,生成预设数量的随机数,并根据所述预设数量的随机数、所述目标申请人在目标月份的拟合消费金额和第一预设系数,进行预设数量的蒙特卡洛模拟,得到所述目标申请人在目标月份的消费金额。本发明考虑到随机因素对消费预测的影响,提高了消费预测的准确度。
Description
技术领域
本发明涉及消费预测技术领域,更具体的,涉及一种基于蒙特卡洛模拟的消费预测方法及系统。
背景技术
风险控制技术中最重要的目标是预测信贷申请人的未来收入。然而,财务信息作为个人隐私,很少能够直接获取,很少有信贷申请人会全部如实提供自己的收入信息。因此,一般根据信贷申请人的消费数据推测信贷申请人的收入。
一般来说,日常消费包括两部分:基础(必需)部分和随机(非必需)部分。然而,即使在基础(必需)部分也存在很多随机因素,例如,午餐是日常消费的基础(必需)部分,但是,一顿午餐是消费了20元还是30元就包含了随机因素。
现有的消费预测方法没有考虑随机因素的影响,消费预测的精度较低。
发明内容
有鉴于此,本发明提供了一种基于蒙特卡洛模拟的消费预测方法及系统,考虑了随机因素对消费预测的影响,提高了消费预测的准确度。
为了实现上述发明目的,本发明提供的具体技术方案如下:
一种基于蒙特卡洛模拟的消费预测方法,包括:
获取目标申请人在预设时间段内的消费数据;
确定与所述消费数据相对应的目标概率密度函数和目标回归方程;
根据所述目标概率密度函数,生成预设数量的随机数,所述预设数量的随机数的分布符合所述目标概率密度函数;
根据所述目标回归方程,计算所述目标申请人在目标月份的拟合消费金额;
根据所述预设数量的随机数、所述目标申请人在目标月份的拟合消费金额和第一预设系数,进行预设数量的蒙特卡洛模拟,得到所述目标申请人在目标月份的消费金额。
优选的,所述目标申请人在预设时间段内的消费数据包括:所述目标申请人在预设时间段内在每个预设金额区间内的交易笔数和所述目标申请人在预设时间段内的每个月的消费金额。
优选的,所述确定与所述消费数据相对应的目标概率密度函数和目标回归方程,包括:
将所述目标申请人在预设时间段内在每个预设金额区间内的交易笔数作为输入数据,通过极大似然估计算法分别计算每个预设概率密度函数的参数;
根据每个所述预设概率密度函数的参数和所述目标申请人在预设时间段内的每个所述预设金额区间,分别计算每个所述预设概率密度函数的概率密度;
根据所述目标申请人在预设时间段内在每个预设金额区间内的交易笔数,计算所述目标申请人在预设时间段内的实际概率密度;
分别计算每个所述预设概率密度函数的概率密度与所述目标申请人在预设时间段内的实际概率密度之间的误差值,并将最小误差值对应的所述预设概率密度函数确定为与所述消费数据相对应的目标概率密度函数;
将所述目标申请人在预设时间段内的每个月份的消费金额作为输入数据,分别计算每个预设回归方程的参数;
根据每个所述预设回归方程的参数和所述目标申请人在预设时间段内的每个月份,分别计算每个所述预设回归方程在预设时间段内每个月的消费金额;
分别计算每个所述预设回归方程在预设时间段内每个月的消费金额与所述目标申请人在预设时间段内的每个月的消费金额之间的累计误差值,并将最小累计误差值对应的预设回归方程确定为与所述消费数据相对应的目标回归方程。
优选的,所述根据所述预设数量的随机数、所述目标申请人在目标月份的拟合消费金额和第一预设系数,进行预设数量的蒙特卡洛模拟,得到所述目标申请人在目标月份的消费金额,包括:
分别计算每个所述随机数与所述第一预设系数的乘积,得到每个所述随机数对应的乘积值;
分别计算每个所述随机数对应的乘积值与所述目标申请人在目标月份的拟合消费金额的和值;
计算每个所述随机数对应的乘积值与所述目标申请人在目标月份的拟合消费金额的和值的均值,得到所述目标申请人在目标月份的消费金额。
优选的,在所述计算所述目标申请人在目标月份的消费金额之后,所述方法还包括:
计算所述目标申请人在目标月份的消费金额与第二预设系数的乘积,得到所述目标申请人在目标月份的收入金额。
一种基于蒙特卡洛模拟的消费预测系统,包括:
获取单元,用于获取目标申请人在预设时间段内的消费数据;
确定单元,用于确定与所述消费数据相对应的目标概率密度函数和目标回归方程;
生成单元,用于根据所述目标概率密度函数,生成预设数量的随机数,所述预设数量的随机数的分布符合所述目标概率密度函数;
第一计算单元,用于根据所述目标回归方程,计算所述目标申请人在目标月份的拟合消费金额;
蒙特卡洛模拟单元,用于根据所述预设数量的随机数、所述目标申请人在目标月份的拟合消费金额和第一预设系数,进行预设数量的蒙特卡洛模拟,得到所述目标申请人在目标月份的消费金额。
优选的,所述目标申请人在预设时间段内的消费数据包括:所述目标申请人在预设时间段内在每个预设金额区间内的交易笔数和所述目标申请人在预设时间段内的每个月的消费金额。
优选的,所述确定单元包括:
第一计算子单元,用于将所述目标申请人在预设时间段内在每个预设金额区间内的交易笔数作为输入数据,通过极大似然估计算法分别计算每个预设概率密度函数的参数;
第二计算子单元,用于根据每个所述预设概率密度函数的参数和所述目标申请人在预设时间段内的每个所述预设金额区间,分别计算每个所述预设概率密度函数的概率密度;
第三计算子单元,用于根据所述目标申请人在预设时间段内在每个预设金额区间内的交易笔数,计算所述目标申请人在预设时间段内的实际概率密度;
第四计算子单元,用于分别计算每个所述预设概率密度函数的概率密度与所述目标申请人在预设时间段内的实际概率密度之间的误差值,并将最小误差值对应的所述预设概率密度函数确定为与所述消费数据相对应的目标概率密度函数;
第五计算子单元,用于将所述目标申请人在预设时间段内的每个月份的消费金额作为输入数据,分别计算每个预设回归方程的参数;
第六计算子单元,用于根据每个所述预设回归方程的参数和所述目标申请人在预设时间段内的每个月份,分别计算每个所述预设回归方程在预设时间段内每个月的消费金额;
第七计算子单元,用于分别计算每个所述预设回归方程在预设时间段内每个月的消费金额与所述目标申请人在预设时间段内的每个月的消费金额之间的累计误差值,并将最小累计误差值对应的预设回归方程确定为与所述消费数据相对应的目标回归方程。
优选的,所述蒙特卡洛模拟单元包括:
第八计算子单元,用于分别计算每个所述随机数与所述第一预设系数的乘积,得到每个所述随机数对应的乘积值;
第九计算子单元,用于分别计算每个所述随机数对应的乘积值与所述目标申请人在目标月份的拟合消费金额的和值;
第十计算子单元,用于计算每个所述随机数对应的乘积值与所述目标申请人在目标月份的拟合消费金额的和值的均值,得到所述目标申请人在目标月份的消费金额。
优选的,所述系统还包括:
第二计算单元,用于计算所述目标申请人在目标月份的消费金额与第二预设系数的乘积,得到所述目标申请人在目标月份的收入金额。
相对于现有技术,本发明的有益效果如下:
本发明提供的一种基于蒙特卡洛模拟的消费预测方法及系统,获取目标申请人在预设时间段内的消费数据;确定与所述消费数据相对应的目标概率密度函数和目标回归方程,将目标概率密度函数和目标回归方程输入蒙特卡洛模型,根据所述目标概率密度函数,生成预设数量的随机数,并根据所述预设数量的随机数、所述目标申请人在目标月份的拟合消费金额和第一预设系数,进行预设数量的蒙特卡洛模拟,得到所述目标申请人在目标月份的消费金额。本发明考虑到随机因素对消费预测的影响,提高了消费预测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种基于蒙特卡洛模拟的消费预测方法流程图;
图2为本发明实施例公开的另一种基于蒙特卡洛模拟的消费预测方法流程图;
图3为本发明实施例公开的一种基于蒙特卡洛模拟的消费预测系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本实施例公开了一种基于蒙特卡洛模拟的消费预测方法,具体包括以下步骤:
S101:获取目标申请人在预设时间段内的消费数据;
所述目标申请人在预设时间段内的消费数据包括:所述目标申请人在预设时间段内在每个预设金额区间内的交易笔数和所述目标申请人在预设时间段内的每个月的消费金额。
需要说明的是,目标申请人为消费预测的对象。所述预设时间段为预先设定的一段时间,可以为近6个月,近12个月等等。
以预设时间段为近6个月为例,所述目标申请人在预设时间段内在每个预设金额区间内的交易笔数可以为:
近6个月单笔金额小于10元总交易笔数;
近6个月单笔金额10~50元总交易笔数;
近6个月单笔金额50~100元总交易笔数;
近6个月单笔金额100~500元总交易笔数;
近6个月单笔金额500~1000元总交易笔数;
近6个月单笔金额1000~2000元总交易笔数;
近6个月单笔金额2000~3000元总交易笔数;
……
S102:确定与所述消费数据相对应的目标概率密度函数和目标回归方程;
系统预先设定了多种概率密度函数和多种回归方程,根据所述目标申请人在预设时间段内的消费数据确定出最符合所述消费数据的目标概率密度函数和目标回归方程。
其中,预先设定的多种概率密度函数包括伽马分布概率密度函数、贝塔分布概率密度函数和正态分布概率密度函数等,预先设定的多种回归方程,包括但不限于1次项、2次项、3次项、指数项等。
S103:根据所述目标概率密度函数,生成预设数量的随机数,所述预设数量的随机数的分布符合所述目标概率密度函数;
S104:根据所述目标回归方程,计算所述目标申请人在目标月份的拟合消费金额;
目标月份为需要进行消费预测的月份,当目标申请人在预设时间段内的消费数据包括预设时间段内每个季度的消费金额时,可以得到反映每个季度消费金额的目标回归方程,进而也可以计算目标申请人在目标季度的拟合消费金额。
S105:根据所述预设数量的随机数、所述目标申请人在目标月份的拟合消费金额和第一预设系数,进行预设数量的蒙特卡洛模拟,得到所述目标申请人在目标月份的消费金额。
具体的,分别计算每个所述随机数与所述第一预设系数的乘积,得到每个所述随机数对应的乘积值;
分别计算每个所述随机数对应的乘积值与所述目标申请人在目标月份的拟合消费金额的和值;
计算每个所述随机数对应的乘积值与所述目标申请人在目标月份的拟合消费金额的和值的均值,得到所述目标申请人在目标月份的消费金额。
本实施例公开的一种基于蒙特卡洛模拟的消费预测方法,获取目标申请人在预设时间段内的消费数据;确定与所述消费数据相对应的目标概率密度函数和目标回归方程,将目标概率密度函数和目标回归方程输入蒙特卡洛模型,根据所述目标概率密度函数,生成预设数量的随机数,并根据所述预设数量的随机数、所述目标申请人在目标月份的拟合消费金额和第一预设系数,进行预设数量的蒙特卡洛模拟,得到所述目标申请人在目标月份的消费金额。本实施例考虑到随机因素对消费预测的影响,提高了消费预测的准确度。
在上述实施例公开的一种基于蒙特卡洛模拟的消费预测方法的基础上,本实施例公开了另一种基于蒙特卡洛模拟的消费预测方法,请参阅图2,所述确定与所述消费数据相对应的目标概率密度函数和目标回归方程,包括:
S201:将所述目标申请人在预设时间段内在每个预设金额区间内的交易笔数作为输入数据,通过极大似然估计算法分别计算每个预设概率密度函数的参数;
S202:根据每个所述预设概率密度函数的参数和所述目标申请人在预设时间段内的每个所述预设金额区间,分别计算每个所述预设概率密度函数的概率密度;
S203:根据所述目标申请人在预设时间段内在每个预设金额区间内的交易笔数,计算所述目标申请人在预设时间段内的实际概率密度;
S204:分别计算每个所述预设概率密度函数的概率密度与所述目标申请人在预设时间段内的实际概率密度之间的误差值,并将最小误差值对应的所述预设概率密度函数确定为与所述消费数据相对应的目标概率密度函数;
S205:将所述目标申请人在预设时间段内的每个月份的消费金额作为输入数据,分别计算每个预设回归方程的参数;
S206:根据每个所述预设回归方程的参数和所述目标申请人在预设时间段内的每个月份,分别计算每个所述预设回归方程在预设时间段内每个月的消费金额;
S207:分别计算每个所述预设回归方程在预设时间段内每个月的消费金额与所述目标申请人在预设时间段内的每个月的消费金额之间的累计误差值,并将最小累计误差值对应的预设回归方程确定为与所述消费数据相对应的目标回归方程。
本实施例公开的一种基于蒙特卡洛模拟的消费预测方法,基于目标申请人在预设时间段内的消费数据确定出最符合所述消费数据的目标概率密度函数和目标回归方程,再通过所述消费数据、目标概率密度函数和目标回归方程进行消费预测,提高了消费预测的准确性。
基于上述实施例公开的一种基于蒙特卡洛模拟的消费预测方法,请参阅图3,本实施例对应公开了一种基于蒙特卡洛模拟的消费预测系统,包括:
获取单元301,用于获取目标申请人在预设时间段内的消费数据;
确定单元302,用于确定与所述消费数据相对应的目标概率密度函数和目标回归方程;
生成单元303,用于根据所述目标概率密度函数,生成预设数量的随机数,所述预设数量的随机数的分布符合所述目标概率密度函数;
第一计算单元304,用于根据所述目标回归方程,计算所述目标申请人在目标月份的拟合消费金额;
蒙特卡洛模拟单元305,用于根据所述预设数量的随机数、所述目标申请人在目标月份的拟合消费金额和第一预设系数,进行预设数量的蒙特卡洛模拟,得到所述目标申请人在目标月份的消费金额。
优选的,所述目标申请人在预设时间段内的消费数据包括:所述目标申请人在预设时间段内在每个预设金额区间内的交易笔数和所述目标申请人在预设时间段内的每个月的消费金额。
优选的,所述确定单元302包括:
第一计算子单元,用于将所述目标申请人在预设时间段内在每个预设金额区间内的交易笔数作为输入数据,通过极大似然估计算法分别计算每个预设概率密度函数的参数;
第二计算子单元,用于根据每个所述预设概率密度函数的参数和所述目标申请人在预设时间段内的每个所述预设金额区间,分别计算每个所述预设概率密度函数的概率密度;
第三计算子单元,用于根据所述目标申请人在预设时间段内在每个预设金额区间内的交易笔数,计算所述目标申请人在预设时间段内的实际概率密度;
第四计算子单元,用于分别计算每个所述预设概率密度函数的概率密度与所述目标申请人在预设时间段内的实际概率密度之间的误差值,并将最小误差值对应的所述预设概率密度函数确定为与所述消费数据相对应的目标概率密度函数;
第五计算子单元,用于将所述目标申请人在预设时间段内的每个月份的消费金额作为输入数据,分别计算每个预设回归方程的参数;
第六计算子单元,用于根据每个所述预设回归方程的参数和所述目标申请人在预设时间段内的每个月份,分别计算每个所述预设回归方程在预设时间段内每个月的消费金额;
第七计算子单元,用于分别计算每个所述预设回归方程在预设时间段内每个月的消费金额与所述目标申请人在预设时间段内的每个月的消费金额之间的累计误差值,并将最小累计误差值对应的预设回归方程确定为与所述消费数据相对应的目标回归方程。
优选的,所述蒙特卡洛模拟单元305包括:
第八计算子单元,用于分别计算每个所述随机数与所述第一预设系数的乘积,得到每个所述随机数对应的乘积值;
第九计算子单元,用于分别计算每个所述随机数对应的乘积值与所述目标申请人在目标月份的拟合消费金额的和值;
第十计算子单元,用于计算每个所述随机数对应的乘积值与所述目标申请人在目标月份的拟合消费金额的和值的均值,得到所述目标申请人在目标月份的消费金额。
优选的,所述系统还包括:
第二计算单元,用于计算所述目标申请人在目标月份的消费金额与第二预设系数的乘积,得到所述目标申请人在目标月份的收入金额。
本实施例公开的一种基于蒙特卡洛模拟的消费预测系统,获取目标申请人在预设时间段内的消费数据;确定与所述消费数据相对应的目标概率密度函数和目标回归方程,将目标概率密度函数和目标回归方程输入蒙特卡洛模型,根据所述目标概率密度函数,生成预设数量的随机数,并根据所述预设数量的随机数、所述目标申请人在目标月份的拟合消费金额和第一预设系数,进行预设数量的蒙特卡洛模拟,得到所述目标申请人在目标月份的消费金额。本实施例考虑到随机因素对消费预测的影响,提高了消费预测的准确度。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于蒙特卡洛模拟的消费预测方法,其特征在于,包括:
获取目标申请人在预设时间段内的消费数据;
确定与所述消费数据相对应的目标概率密度函数和目标回归方程;
根据所述目标概率密度函数,生成预设数量的随机数,所述预设数量的随机数的分布符合所述目标概率密度函数;
根据所述目标回归方程,计算所述目标申请人在目标月份的拟合消费金额;
根据所述预设数量的随机数、所述目标申请人在目标月份的拟合消费金额和第一预设系数,进行预设数量的蒙特卡洛模拟,得到所述目标申请人在目标月份的消费金额。
2.根据权利要求1所述的方法,其特征在于,所述目标申请人在预设时间段内的消费数据包括:所述目标申请人在预设时间段内在每个预设金额区间内的交易笔数和所述目标申请人在预设时间段内的每个月的消费金额。
3.根据权利要求2所述的方法,其特征在于,所述确定与所述消费数据相对应的目标概率密度函数和目标回归方程,包括:
将所述目标申请人在预设时间段内在每个预设金额区间内的交易笔数作为输入数据,通过极大似然估计算法分别计算每个预设概率密度函数的参数;
根据每个所述预设概率密度函数的参数和所述目标申请人在预设时间段内的每个所述预设金额区间,分别计算每个所述预设概率密度函数的概率密度;
根据所述目标申请人在预设时间段内在每个预设金额区间内的交易笔数,计算所述目标申请人在预设时间段内的实际概率密度;
分别计算每个所述预设概率密度函数的概率密度与所述目标申请人在预设时间段内的实际概率密度之间的误差值,并将最小误差值对应的所述预设概率密度函数确定为与所述消费数据相对应的目标概率密度函数;
将所述目标申请人在预设时间段内的每个月份的消费金额作为输入数据,分别计算每个预设回归方程的参数;
根据每个所述预设回归方程的参数和所述目标申请人在预设时间段内的每个月份,分别计算每个所述预设回归方程在预设时间段内每个月的消费金额;
分别计算每个所述预设回归方程在预设时间段内每个月的消费金额与所述目标申请人在预设时间段内的每个月的消费金额之间的累计误差值,并将最小累计误差值对应的预设回归方程确定为与所述消费数据相对应的目标回归方程。
4.根据权利要求1所述的方法,其特征在于,所述根据所述预设数量的随机数、所述目标申请人在目标月份的拟合消费金额和第一预设系数,进行预设数量的蒙特卡洛模拟,得到所述目标申请人在目标月份的消费金额,包括:
分别计算每个所述随机数与所述第一预设系数的乘积,得到每个所述随机数对应的乘积值;
分别计算每个所述随机数对应的乘积值与所述目标申请人在目标月份的拟合消费金额的和值;
计算每个所述随机数对应的乘积值与所述目标申请人在目标月份的拟合消费金额的和值的均值,得到所述目标申请人在目标月份的消费金额。
5.根据权利要求1所述的方法,其特征在于,在所述计算所述目标申请人在目标月份的消费金额之后,所述方法还包括:
计算所述目标申请人在目标月份的消费金额与第二预设系数的乘积,得到所述目标申请人在目标月份的收入金额。
6.一种基于蒙特卡洛模拟的消费预测系统,其特征在于,包括:
获取单元,用于获取目标申请人在预设时间段内的消费数据;
确定单元,用于确定与所述消费数据相对应的目标概率密度函数和目标回归方程;
生成单元,用于根据所述目标概率密度函数,生成预设数量的随机数,所述预设数量的随机数的分布符合所述目标概率密度函数;
第一计算单元,用于根据所述目标回归方程,计算所述目标申请人在目标月份的拟合消费金额;
蒙特卡洛模拟单元,用于根据所述预设数量的随机数、所述目标申请人在目标月份的拟合消费金额和第一预设系数,进行预设数量的蒙特卡洛模拟,得到所述目标申请人在目标月份的消费金额。
7.根据权利要去6所述的系统,其特征在于,所述目标申请人在预设时间段内的消费数据包括:所述目标申请人在预设时间段内在每个预设金额区间内的交易笔数和所述目标申请人在预设时间段内的每个月的消费金额。
8.根据权利要求7所述的系统,其特征在于,所述确定单元包括:
第一计算子单元,用于将所述目标申请人在预设时间段内在每个预设金额区间内的交易笔数作为输入数据,通过极大似然估计算法分别计算每个预设概率密度函数的参数;
第二计算子单元,用于根据每个所述预设概率密度函数的参数和所述目标申请人在预设时间段内的每个所述预设金额区间,分别计算每个所述预设概率密度函数的概率密度;
第三计算子单元,用于根据所述目标申请人在预设时间段内在每个预设金额区间内的交易笔数,计算所述目标申请人在预设时间段内的实际概率密度;
第四计算子单元,用于分别计算每个所述预设概率密度函数的概率密度与所述目标申请人在预设时间段内的实际概率密度之间的误差值,并将最小误差值对应的所述预设概率密度函数确定为与所述消费数据相对应的目标概率密度函数;
第五计算子单元,用于将所述目标申请人在预设时间段内的每个月份的消费金额作为输入数据,分别计算每个预设回归方程的参数;
第六计算子单元,用于根据每个所述预设回归方程的参数和所述目标申请人在预设时间段内的每个月份,分别计算每个所述预设回归方程在预设时间段内每个月的消费金额;
第七计算子单元,用于分别计算每个所述预设回归方程在预设时间段内每个月的消费金额与所述目标申请人在预设时间段内的每个月的消费金额之间的累计误差值,并将最小累计误差值对应的预设回归方程确定为与所述消费数据相对应的目标回归方程。
9.根据权利要求6所述的系统,其特征在于,所述蒙特卡洛模拟单元包括:
第八计算子单元,用于分别计算每个所述随机数与所述第一预设系数的乘积,得到每个所述随机数对应的乘积值;
第九计算子单元,用于分别计算每个所述随机数对应的乘积值与所述目标申请人在目标月份的拟合消费金额的和值;
第十计算子单元,用于计算每个所述随机数对应的乘积值与所述目标申请人在目标月份的拟合消费金额的和值的均值,得到所述目标申请人在目标月份的消费金额。
10.根据权利要去6所述的系统,其特征在于,所述系统还包括:
第二计算单元,用于计算所述目标申请人在目标月份的消费金额与第二预设系数的乘积,得到所述目标申请人在目标月份的收入金额。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810018603.2A CN108564458B (zh) | 2018-01-09 | 2018-01-09 | 一种基于蒙特卡洛模拟的消费预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810018603.2A CN108564458B (zh) | 2018-01-09 | 2018-01-09 | 一种基于蒙特卡洛模拟的消费预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108564458A true CN108564458A (zh) | 2018-09-21 |
CN108564458B CN108564458B (zh) | 2022-03-01 |
Family
ID=63530838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810018603.2A Active CN108564458B (zh) | 2018-01-09 | 2018-01-09 | 一种基于蒙特卡洛模拟的消费预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564458B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110764902A (zh) * | 2019-09-18 | 2020-02-07 | 平安银行股份有限公司 | 基于ai的虚拟资源分配方法、装置、计算机设备及存储介质 |
CN113935787A (zh) * | 2021-12-15 | 2022-01-14 | 山东柏源技术有限公司 | 基于关联规则挖掘算法的财务信息管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040199444A1 (en) * | 2003-01-23 | 2004-10-07 | Joel Woodcock | Method of characterizing financial benefits based upon input operational parameters having uncertainties |
CN105811414A (zh) * | 2016-05-24 | 2016-07-27 | 广东电网有限责任公司电力科学研究院 | 一种用电网短期功率预测方法及装置 |
CN106485348A (zh) * | 2016-09-22 | 2017-03-08 | 中国银联股份有限公司 | 一种交易数据的预测方法及装置 |
CN107169807A (zh) * | 2017-06-30 | 2017-09-15 | 广东工业大学 | 一种期权定价的方法、装置及系统 |
-
2018
- 2018-01-09 CN CN201810018603.2A patent/CN108564458B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040199444A1 (en) * | 2003-01-23 | 2004-10-07 | Joel Woodcock | Method of characterizing financial benefits based upon input operational parameters having uncertainties |
CN105811414A (zh) * | 2016-05-24 | 2016-07-27 | 广东电网有限责任公司电力科学研究院 | 一种用电网短期功率预测方法及装置 |
CN106485348A (zh) * | 2016-09-22 | 2017-03-08 | 中国银联股份有限公司 | 一种交易数据的预测方法及装置 |
CN107169807A (zh) * | 2017-06-30 | 2017-09-15 | 广东工业大学 | 一种期权定价的方法、装置及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110764902A (zh) * | 2019-09-18 | 2020-02-07 | 平安银行股份有限公司 | 基于ai的虚拟资源分配方法、装置、计算机设备及存储介质 |
CN113935787A (zh) * | 2021-12-15 | 2022-01-14 | 山东柏源技术有限公司 | 基于关联规则挖掘算法的财务信息管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108564458B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gabaix | A behavioral New Keynesian model | |
Harvey et al. | A simple, robust and powerful test of the trend hypothesis | |
Jose et al. | Scoring rules, generalized entropy, and utility maximization | |
Freeland | True integer value time series | |
Adeosun et al. | Stochastic analysis of stock market price models: A case study of the Nigerian Stock Exchange (NSE) | |
CN106097044A (zh) | 一种数据推荐处理方法以及装置 | |
CN103998900B (zh) | 流量测量装置的设定方法和流量测量装置 | |
CN110246037B (zh) | 交易特征预测方法、装置、服务器及可读存储介质 | |
CN108564458A (zh) | 一种基于蒙特卡洛模拟的消费预测方法及系统 | |
Macian-Sorribes et al. | Definition of efficient scarcity-based water pricing policies through stochastic programming | |
Stenberg et al. | An algorithmic approach to discrete time non-homogeneous backward semi-Markov reward processes with an application to disability insurance | |
Kanakoudis et al. | The optimal balance point between NRW reduction measures, full water costing and water pricing in water distribution systems. Alternative scenarios forecasting the Kozani's WDS optimal balance point | |
Richter et al. | The consequences of an unknown debt target | |
Amisano et al. | A DSGE model of the term structure with regime shifts | |
Gayle et al. | Life-cycle fertility and human capital accumulation | |
CN109242521A (zh) | 一种预定消耗额度的分配方法及装置 | |
Li et al. | Two-stage importance sampling with mixture proposals | |
Airaudo et al. | Equilibrium determinacy and inflation measures for interest rate rules | |
Beliaeva et al. | Pricing American interest rate options under the jump-extended Vasicek model | |
Choi et al. | Intertemporal Preference with Loss Aversion: Aggregate Consumption and Asset Management | |
Luo et al. | Markov chain Monte Carlo estimation of default and recovery: dependent via the latent systematic factor | |
CN110465013A (zh) | 空气呼吸器的剩余使用时间的检测方法、装置及存储介质 | |
Pettersson | Bias reduction of finite population imputation by kernel methods | |
Goussé | Marriage gains: who should you marry? | |
Prékopa et al. | Secondary stochastic processes and storage reservoir optimization |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |