CN109345369A - 备付金的配置方法及终端设备 - Google Patents
备付金的配置方法及终端设备 Download PDFInfo
- Publication number
- CN109345369A CN109345369A CN201810962526.6A CN201810962526A CN109345369A CN 109345369 A CN109345369 A CN 109345369A CN 201810962526 A CN201810962526 A CN 201810962526A CN 109345369 A CN109345369 A CN 109345369A
- Authority
- CN
- China
- Prior art keywords
- date
- category
- making loans
- loans
- neural network
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明适用于数据处理技术领域，提供了一种备付金的配置方法及终端设备，通过获取放款日期并构建放款日期对应的放款属性矩阵，根据预设的日期与日期类别的对应关系，将所述放款日期识别为第一类别日期或第二类别日期；若所述放款日期为第一类别日期，则通过预设的线性回归方程，计算所述放款属性矩阵对应的贷款差额作为放款日期对应的备付金阈值；若所述放款日期为第二类别日期，则根据预设的神经网络模型，计算所述放款属性矩阵对应的差异率，以及计算所述放款日期之前第一预设数量的所述第一类别日期对应的贷款差额的平均值，作为资金参考值，并根据资金参考值以及差异率计算所述放款日期对应的备付金阈值，以更合理地实现智能化配置备付金。
Description
技术领域
本发明属于数据处理技术领域，尤其涉及一种备付金的配置方法及终端设备。
背景技术
在金融领域中，备付金是一个非常重要的概念，例如在商业借贷中，金融机构需要设定一个放款备付金，用于满足客户的借贷需求，当放款备付金低于客户的贷款额与存款额的差值时，金融机构就会出现无法满足客户的贷款需求的问题，反之，当放款备付金比客户的贷款额与存款额的差值大很多时，就会出现大量的资金闲置。
目前金融机构往往为放款备付金设定一条固定的警戒线作为备付金阈值，当备付金的金额低于或接近备付金阈值时，就会调用其他地方的资金以补充备付金。
然而固定的备付金的阈值往往不能满足实际情况的需要，因为放款量并不一定会保持一个稳定的状态，比如正常周六周日放款量会比工作日稍小，不同的节假日放款量也有较大差异，另外放款量也受大环境以及公司近期经营的影响，有一个增长或降低的趋势，所以如果放款备付金阀值是一个固定值，则会出现备付金阈值设定不合理的问题，造成的直接后果就是大量放款失败。此外，如果是人工调整放款备付金阈值，则很难实时调整，且工作量较大。
发明内容
有鉴于此，本发明实施例提供了一种备付金的配置方法及终端设备，以解决现有技术在备付金的预测及配置过程中存在的准确性差的问题。
本发明实施例的第一方面提供了一种备付金的配置方法，包括：
获取放款日期，调用所述放款日期对应的多个属性值，以构建所述放款日期对应的放款属性矩阵；
根据预设的日期与日期类别的对应关系，将所述放款日期识别为第一类别日期或第二类别日期；
若所述放款日期为第一类别日期，则通过预设的线性回归方程，计算所述放款属性矩阵对应的贷款差额，并将所述贷款差额作为所述放款日期对应的备付金阈值；
若所述放款日期为第二类别日期，则根据预设的神经网络模型，计算所述放款属性矩阵对应的差异率，以及计算所述放款日期之前第一预设数量的所述第一类别日期对应的贷款差额的平均值，作为资金参考值，将所述差异率和所述资金参考值导入公式prosec＝profir×(1+prodis)，得到所述放款日期对应的备付金阈值，所述prosec为所述放款日期对应的备付金阈值，所述profir为所述资金参考值，所述prodis为所述差异率；
所述备付金阈值用于限定所述放款日期当天的备付金储备上限。
本发明实施例的第二方面提供了一种终端设备，包括存储器以及处理器，所述存储器中存储有可在所述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，实现如下步骤：
获取放款日期，调用所述放款日期对应的多个属性值，以构建所述放款日期对应的放款属性矩阵；
根据预设的日期与日期类别的对应关系，将所述放款日期识别为第一类别日期或第二类别日期；
若所述放款日期为第一类别日期，则通过预设的线性回归方程，计算所述放款属性矩阵对应的贷款差额，并将所述贷款差额作为所述放款日期对应的备付金阈值；
若所述放款日期为第二类别日期，则根据预设的神经网络模型，计算所述放款属性矩阵对应的差异率，以及计算所述放款日期之前第一预设数量的所述第一类别日期对应的贷款差额的平均值，作为资金参考值，将所述差异率和所述资金参考值导入公式prosec＝profir×(1+prodis)，得到所述放款日期对应的备付金阈值，所述prosec为所述放款日期对应的备付金阈值，所述profir为所述资金参考值，所述prodis为所述差异率；
所述备付金阈值用于限定所述放款日期当天的备付金储备上限。
本发明实施例的第三方面提供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如下步骤：
获取放款日期，调用所述放款日期对应的多个属性值，以构建所述放款日期对应的放款属性矩阵；根据预设的日期与日期类别的对应关系，将所述放款日期识别为第一类别日期或第二类别日期；若所述放款日期为第一类别日期，则通过预设的线性回归方程，计算所述放款属性矩阵对应的贷款差额，并将所述贷款差额作为所述放款日期对应的备付金阈值；若所述放款日期为第二类别日期，则根据预设的神经网络模型，计算所述放款属性矩阵对应的差异率，以及计算所述放款日期之前第一预设数量的所述第一类别日期对应的贷款差额的平均值，作为资金参考值，将所述差异率和所述资金参考值导入公式prosec＝profir×(1+prodis)，得到所述放款日期对应的备付金阈值，所述prosec为所述放款日期对应的备付金阈值，所述profir为所述资金参考值，所述prodis为所述差异率；所述备付金阈值用于限定所述放款日期当天的备付金储备上限。
进一步地，还包括：
获取训练数据集合，所述训练数据集合包括多个第一类别日期对应的训练属性矩阵，以及各个所述训练属性矩阵与贷款差额的对应关系，所述训练属性矩阵包括所述第一类别日期的多个属性值；组合所述训练数据集合中的全部训练属性矩阵，生成训练集合矩阵；调取预设的线性回归模型：
所述loandifn为所述训练数据集合中的第n个所述贷款差额，所述βm为第m个线性回归系数，所述pronm为由所述训练集合矩阵的第n行第m列的元素，所述err为随机误差，所述n以及所述m为大于1的整数；通过最小二乘法求解所述线性回归模型中的各个所述线性回归系数以及所述随机误差，以生成所述线性回归方程。
进一步地，还包括：获取多个第二类别日期的资金数据以及训练属性矩阵，所述资金数据包括第二类别日期对应的放款备付金以及资金参考值，所述资金参考值为所述第二类别日期前第二预设数量的第一类别日期的放款备付金的平均值，所述训练属性矩阵包括所述第二类别日期的多个属性值；通过公式：计算各个第二类别日期对应的差异率，所述prosec为各个第二类别日期对应的备付金阈值，所述profir为各个第二类别日期对应的资金参考值，所述prodis为各个第二类别日期对应的差异率；获取初始的神经网络模型，重复执行以下操作直至所述误差小于预设的误差阈值：将各个所述第二类别日期的训练属性矩阵作为所述神经网络模型的输入参数，将各个所述第二类别日期对应的差异率作为所述神经网络模型的输出参数，计算神经网络模型的误差，以基于反向传播BP算法更新当前的神经网络模型；输出更新后的神经网络模型。
进一步地，所述计算神经网络模型的误差，包括：
通过公式：计算神经网络模型的误差，所述L为神经网络模型的误差，所述N为选取的第二类别日期的数量，所述xn为第n个第二类别日期的训练属性矩阵对应的差异率的预测值，所述yn为第n个第二类别日期对应的差异率的实际值。
进一步地，还包括：
在计算出所述放款日期对应的备付金阈值后，存储所述放款日期、日期类别以及备付金阈值的对应关系。
在本发明实施例中，通过获取放款日期并构建放款日期对应的放款属性矩阵，根据预设的日期与日期类别的对应关系，将所述放款日期识别为第一类别日期或第二类别日期；若所述放款日期为第一类别日期，则通过预设的线性回归方程，计算所述放款属性矩阵对应的贷款差额作为放款日期对应的备付金阈值；若所述放款日期为第二类别日期，则根据预设的神经网络模型，计算所述放款属性矩阵对应的差异率，以及计算所述放款日期之前第一预设数量的所述第一类别日期对应的贷款差额的平均值，作为资金参考值，并根据资金参考值以及差异率计算所述放款日期对应的备付金阈值，以更合理地实现智能化配置备付金。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的备付金的配置方法的实现流程图；
图2是本发明实施例提供的线性回归方程的计算流程图；
图3是本发明实施例提供的神经网络模型的计算流程图；
图4是本发明实施例提供的备付金的配置装置的结构框图；
图5是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1示出了本发明实施例提供的备付金的配置方法的实现流程，该方法流程包括步骤S101至S104。各步骤的具体实现原理如下。
S101：获取放款日期，调用所述放款日期对应的多个属性值，以构建所述放款日期对应的放款属性矩阵。
可选地，在本发明实施例中，获取到的放款日期为当前日期之后第一天的日期，例如，当前日期为1月1日，则获取到的放款日期为1月2日。可以理解地，由于备付金需要提前确定，所以为了更准确、更全面地收集放款日期的备付金可供参考的数据，本发明实施例将待计算备付金的放款日期选为当前日期之后的第一天。
可以理解地，可以通过人工输入放款日期的方式触发整个备付金的配置方法，也可以通过计算机自动在某一天营业结束后，在收集完成当天的交易数据后，自动将第二天的日期作为放款日期，并自动启动整个备付金的配置方法。
值得注意地，在确定放款日期后，为了更准确地配置放款日期的备付金，因此需要获取放款日期对应的多个属性值。可选地，放款日期对应的属性值包括：放款日期所属的星期位置(例如：周一、周二、周三……周日等)、放款日期前第7天的放款额、放款日期前一个非节假日的贷款人数、放款日期前一个非节假日的贷款利率。可以理解地，根据不同的实际情况，用户可以选择不同类型的属性值，并从预设的数据库中调用这些类型的属性值的具体数据。可以理解地，若一个类型的属性值为非数值数据，则按照预设的对应关系，将该属性值转换为对应的数值数据。
在本发明实施例中，根据预设的构建规则，每一种类型的属性值都有矩阵中的固定区域，以此在已知放款日期对应的多个属性值后，就可以根据预设的构建规则构建放款日期对应的放款属性矩阵。在本发明实施例中，放款属性矩阵就是后续对备付金进行配置时重要的参考数据。
S102：根据预设的日期与日期类别的对应关系，将所述放款日期识别为第一类别日期或第二类别日期。
可以理解地，在现实生活中，节假日和非节假日的客户的贷款需求的差异是比较大的，具体而言，在非节假日时，收款额和放款额的差值与放款日期的属性值之间存在较强的规律性，而在节假日时，不同的节假日的收款额和放款额的差值有着较大的差异，而且节假日的收款额和放款额的差值与该节假日临近的非节假日的收款额和放款额的差值之间的差异较大。
而在本发明实施例中，备付金的性质决定了备付金与客户的贷款额与存款额的差值有非常强的关联性，具体地，当放款备付金低于客户的贷款额与存款额的差值时，金融机构就会出现无法满足客户的贷款需求的问题，反之，当放款备付金比客户的贷款额与存款额的差值大很多时，就会出现大量的资金闲置。
基于上述原因，本发明实施例分别为不同类别的放款日期设计了两套算法，因此在具体计算之前需要首先对放款日期的日期类别进行识别。
可选地，可以通过日历确定日期与日期类别的对应关系，将日期分为节假日以及非节假日，其中，非节假日可以作为第一类别日期，节假日可以作为第二类别日期。
S103，若所述放款日期为第一类别日期，则通过预设的线性回归方程，计算所述放款属性矩阵对应的贷款差额，并将所述贷款差额作为所述放款日期对应的备付金阈值。
如上文示例所述，将非节假日作为第一类别日期，由于在非节假日时，收款额和放款额的差值与放款日期的属性值存在较强的规律性，所以采用线性回归方程对放款日期的收款额和放款额的差值进行预测，并进而确定备付金阈值。
可以理解地，在通过预设的线性回归方程计算放款属性矩阵对应的贷款差额之前，需要首先计算并设置该线性回归方程。可以理解地，对于线性回归方程的计算并不需要在每次计算贷款差额之前都要进行，而是每间隔预设时间段之后再更新一次线性回归方程。
图2示出了本发明实施例提供的线性回归方程的计算流程，详述如下：
S201，获取训练数据集合，所述训练数据集合包括多个第一类别日期对应的训练属性矩阵，以及各个所述训练属性矩阵与贷款差额的对应关系，所述训练属性矩阵包括所述第一类别日期的多个属性值。
可以理解地，由于需要根据放款日期前的历史数据拟合出一个线性回归方程，所以需要获取多个第一类别日期对应的训练属性矩阵，显然地，训练属性矩阵中的属性值的类型与放款日期对应的放款属性矩阵中的属性值的类别完全相同，训练属性矩阵中各个属性值的位置也与放款属性矩阵完全一致，以此保证训练属性矩阵和放款属性矩阵的一致性。
在本发明实施例中，训练属性矩阵可以作为线性回归方程的横坐标，贷款差额代表收款额和放款额的差值，作为线性回归方程的纵坐标。
S202，组合所述训练数据集合中的全部训练属性矩阵，生成训练集合矩阵。
可选地，将多个训练属性矩阵按照其对应的第一类别日期的先后顺序，从上至下依序排列生成训练集合矩阵。
S203，调取预设的线性回归模型。
可选地，所述线性回归模型为：
所述loandifn为所述训练数据集合中的第n个所述贷款差额，所述βm为第m个线性回归系数，所述pronm为由所述训练集合矩阵的第n行第m列的元素，所述err为随机误差，所述n以及所述m为大于1的整数。
S204，通过最小二乘法求解所述线性回归模型中的各个所述线性回归系数以及所述随机误差，以生成所述线性回归方程。
可以理解地，最小二乘法作为求解线性回归方程中线性回归系数和随机误差的常用方法，可以在已知大量的训练属性矩阵与贷款差额的对应关系后，计算出近似的线性回归系数和随机误差，从而拟合出线性回归方程。
可以理解地，在本发明实施例中，通过每隔一定时间拟合出一个线性回归方程，为预测第一类别日期的贷款差额提供数据支持，是整个备付金的配置过程中必不可少的步骤。
S104：若所述放款日期为第二类别日期，则根据预设的神经网络模型，计算所述放款属性矩阵对应的差异率，以及计算所述放款日期之前第一预设数量的所述第一类别日期对应的贷款差额的平均值，作为资金参考值，将所述差异率和所述资金参考值导入第二公式，得到所述放款日期对应的备付金阈值。
可选地，所述第二公式为：prosec＝profir×(1+prodis)，所述prosec为所述放款日期对应的备付金阈值，所述profir为所述资金参考值，所述prodis为所述差异率。
可以理解地，虽然节假日的收款额和放款额的差值与该节假日临近的非节假日的收款额和放款额的差值之间的差异较大，但是两个数值之间的差异率是有规律的，因此在本发明实施例中，首先需要通过预设的神经网络模型确定出放款日期对应的差异率，再结合该放款日期前第一预设数量的所述第一类别日期(即非节假日)对应的贷款差额的平均值，通过第二公式计算出放款日期对应的备付金阈值。
示例性地，假设放款日期为10月2日，而10月2日属于国庆节假日，因此在本发明实施例中将其作为第二类别日期，假设第一预设数量为5，则计算出10月2日之前的5个非节假日(例如：假设10月1日为节假日，则不将10月1日对应的贷款差额带入计算)对应的贷款差额的平均值作为资金参考值。假设通过神经网络模型，计算所述放款属性矩阵对应的差异率为0.3，资金参考值为1000万，则10月2日的备付金阈值为1300万。
可以理解地，在计算所述放款属性矩阵对应的差异率之前，需要首先确定神经网络模型。可以理解地，对于神经网络模型的计算并不需要在每次计算贷款差额之前都要进行，而是每间隔预设时间段之后再更新一次神经网络模型。
图3示出了本发明实施例提供的神经网络模型的计算流程，详述如下：
S301，获取多个第二类别日期的资金数据以及训练属性矩阵，所述资金数据包括第二类别日期对应的放款备付金以及资金参考值，所述资金参考值为所述第二类别日期前第二预设数量的第一类别日期的放款备付金的平均值，所述训练属性矩阵包括所述第二类别日期的多个属性值。
S302，通过第三公式计算各个第二类别日期对应的差异率。
可选地，所述第三公式为：其中，所述prosec为各个第二类别日期对应的备付金阈值，所述profir为各个第二类别日期对应的资金参考值，所述prodis为各个第二类别日期对应的差异率。
S303，获取初始的神经网络模型，重复执行以下操作直至所述误差小于预设的误差阈值：将各个所述第二类别日期的训练属性矩阵作为所述神经网络模型的输入参数，将各个所述第二类别日期对应的差异率作为所述神经网络模型的输出参数，计算神经网络模型的误差，以基于反向传播BP算法更新当前的神经网络模型。
在本发明实施例中，初始的神经网络模型具有输入层，5个隐藏层，输入层使用identify函数来执行回归计算，隐藏层单元具有三个门：输入们、遗忘门以及输出门。其中，输入门表示是否允许采集的新的第二类别日期对应的训练属性矩阵加入到当前隐藏层节点中，遗忘门表示是否保留当前隐藏层节点存储的训练属性矩阵，输出门表示是否将当前的输出值输出给下一隐藏层。
可选地，本发明中使用的用于训练神经网络模型的训练数据的输入数据是：多个第二类别日期对应的训练属性矩阵，以及各个第二类别日期的差异率。
可选地，所述计算神经网络模型的误差，包括：
通过公式：计算神经网络模型的误差，所述L为神经网络模型的误差，所述N为选取的第二类别日期的数量，所述xn为第n个第二类别日期的训练属性矩阵对应的差异率的预测值，所述yn为第n个第二类别日期对应的差异率的实际值。
S304，输出更新后的神经网络模型。
可以理解地，更新后的神经网络模型的计算误差较小，可以在通过每隔一定时间确定一次神经网络模型，为预测第二类别日期的差异率提供数据支持，并进而计算出备付金的阈值，是整个备付金的配置过程中必不可少的步骤。
可以理解地，在计算出所述放款日期对应的备付金阈值后，存储所述放款日期、日期类别以及备付金阈值的对应关系。
可以理解地，所述备付金阈值用于限定所述放款日期当天的备付金储备上限。
在本发明实施例中，通过获取放款日期并构建放款日期对应的放款属性矩阵，根据预设的日期与日期类别的对应关系，将所述放款日期识别为第一类别日期或第二类别日期；若所述放款日期为第一类别日期，则通过预设的线性回归方程，计算所述放款属性矩阵对应的贷款差额作为放款日期对应的备付金阈值；若所述放款日期为第二类别日期，则根据预设的神经网络模型，计算所述放款属性矩阵对应的差异率，以及计算所述放款日期之前第一预设数量的所述第一类别日期对应的贷款差额的平均值，作为资金参考值，并根据资金参考值以及差异率计算所述放款日期对应的备付金阈值，以更合理地实现智能化配置备付金。
对应于上文实施例所述的备付金的配置方法，图4示出了本发明实施例提供的备付金的配置装置的结构框图，为了便于说明，仅示出了与本发明实施例相关的部分。
参照图4，该装置包括：
获取模块401，用于获取放款日期，调用所述放款日期对应的多个属性值，以构建所述放款日期对应的放款属性矩阵；
识别模块402，用于根据预设的日期与日期类别的对应关系，将所述放款日期识别为第一类别日期或第二类别日期；
第一执行模块403，用于若所述放款日期为第一类别日期，则通过预设的线性回归方程，计算所述放款属性矩阵对应的贷款差额，并将所述贷款差额作为所述放款日期对应的备付金阈值；
第二执行模块404，用于若所述放款日期为第二类别日期，则根据预设的神经网络模型，计算所述放款属性矩阵对应的差异率，以及计算所述放款日期之前第一预设数量的所述第一类别日期对应的贷款差额的平均值，作为资金参考值，将所述差异率和所述资金参考值导入公式prosec＝profir×(1+prodis)，得到所述放款日期对应的备付金阈值，所述prosec为所述放款日期对应的备付金阈值，所述profir为所述资金参考值，所述prodis为所述差异率；
所述备付金阈值用于限定所述放款日期当天的备付金储备上限。
进一步地，所述装置还包括：
数据集合获取模块，用于获取训练数据集合，所述训练数据集合包括多个第一类别日期对应的训练属性矩阵，以及各个所述训练属性矩阵与贷款差额的对应关系，所述训练属性矩阵包括所述第一类别日期的多个属性值；
组合模块，用于组合所述训练数据集合中的全部训练属性矩阵，生成训练集合矩阵；
调取模块，用于调取预设的线性回归模型：
所述loandifn为所述训练数据集合中的第n个所述贷款差额，所述βm为第m个线性回归系数，所述pronm为由所述训练集合矩阵的第n行第m列的元素，所述err为随机误差，所述n以及所述m为大于1的整数；
拟合模块，用于通过最小二乘法求解所述线性回归模型中的各个所述线性回归系数以及所述随机误差，以生成所述线性回归方程。
进一步地，所述装置还包括：
矩阵获取模块，用于获取多个第二类别日期的资金数据以及训练属性矩阵，所述资金数据包括第二类别日期对应的放款备付金以及资金参考值，所述资金参考值为所述第二类别日期前第二预设数量的第一类别日期的放款备付金的平均值，所述训练属性矩阵包括所述第二类别日期的多个属性值；
计算模块，用于通过公式：计算各个第二类别日期对应的差异率，所述prosec为各个第二类别日期对应的备付金阈值，所述profir为各个第二类别日期对应的资金参考值，所述prodis为各个第二类别日期对应的差异率；
模型获取模块，用于获取初始的神经网络模型，重复执行以下操作直至所述误差小于预设的误差阈值：将各个所述第二类别日期的训练属性矩阵作为所述神经网络模型的输入参数，将各个所述第二类别日期对应的差异率作为所述神经网络模型的输出参数，计算神经网络模型的误差，以基于反向传播BP算法更新当前的神经网络模型；
输出模块，用于输出更新后的神经网络模型。
所述计算模块，包括：
误差计算子模块，用于通过公式：计算神经网络模型的误差，所述L为神经网络模型的误差，所述N为选取的第二类别日期的数量，所述xn为第n个第二类别日期的训练属性矩阵对应的差异率的预测值，所述yn为第n个第二类别日期对应的差异率的实际值。
所述装置还包括：
存储模块，用于在计算出所述放款日期对应的备付金阈值后，存储所述放款日期、日期类别以及备付金阈值的对应关系。
在本发明实施例中，通过获取放款日期并构建放款日期对应的放款属性矩阵，根据预设的日期与日期类别的对应关系，将所述放款日期识别为第一类别日期或第二类别日期；若所述放款日期为第一类别日期，则通过预设的线性回归方程，计算所述放款属性矩阵对应的贷款差额作为放款日期对应的备付金阈值；若所述放款日期为第二类别日期，则根据预设的神经网络模型，计算所述放款属性矩阵对应的差异率，以及计算所述放款日期之前第一预设数量的所述第一类别日期对应的贷款差额的平均值，作为资金参考值，并根据资金参考值以及差异率计算所述放款日期对应的备付金阈值，以更合理地实现智能化配置备付金。
图5是本发明一实施例提供的终端设备的示意图。如图5所示，该实施例的终端设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52，例如备付金的配置程序。所述处理器50执行所述计算机程序52时实现上述各个备付金的配置方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示单元401至404的功能。
示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述终端设备5中的执行过程。
所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种备付金的配置方法，其特征在于，包括：
获取放款日期，调用所述放款日期对应的多个属性值，以构建所述放款日期对应的放款属性矩阵；
根据预设的日期与日期类别的对应关系，将所述放款日期识别为第一类别日期或第二类别日期；
若所述放款日期为第一类别日期，则通过预设的线性回归方程，计算所述放款属性矩阵对应的贷款差额，并将所述贷款差额作为所述放款日期对应的备付金阈值；
若所述放款日期为第二类别日期，则根据预设的神经网络模型，计算所述放款属性矩阵对应的差异率，以及计算所述放款日期之前第一预设数量的所述第一类别日期对应的贷款差额的平均值，作为资金参考值，将所述差异率和所述资金参考值导入公式prosec＝profir×(1+prodis)，得到所述放款日期对应的备付金阈值，所述prosec为所述放款日期对应的备付金阈值，所述profir为所述资金参考值，所述prodis为所述差异率；
所述备付金阈值用于限定所述放款日期当天的备付金储备上限。
2.如权利要求1所述的备付金的配置方法，其特征在于，还包括：
获取训练数据集合，所述训练数据集合包括多个第一类别日期对应的训练属性矩阵，以及各个所述训练属性矩阵与贷款差额的对应关系，所述训练属性矩阵包括所述第一类别日期的多个属性值；
组合所述训练数据集合中的全部训练属性矩阵，生成训练集合矩阵；
调取预设的线性回归模型：
所述loandifn为所述训练数据集合中的第n个所述贷款差额，所述βm为第m个线性回归系数，所述pronm为由所述训练集合矩阵的第n行第m列的元素，所述err为随机误差，所述n以及所述m为大于1的整数；
通过最小二乘法求解所述线性回归模型中的各个所述线性回归系数以及所述随机误差，以生成所述线性回归方程。
3.如权利要求1所述的备付金的配置方法，其特征在于，还包括：
获取多个第二类别日期的资金数据以及训练属性矩阵，所述资金数据包括第二类别日期对应的放款备付金以及资金参考值，所述资金参考值为所述第二类别日期前第二预设数量的第一类别日期的放款备付金的平均值，所述训练属性矩阵包括所述第二类别日期的多个属性值；
通过公式：计算各个第二类别日期对应的差异率，所述prosec为各个第二类别日期对应的备付金阈值，所述profir为各个第二类别日期对应的资金参考值，所述prodis为各个第二类别日期对应的差异率；
获取初始的神经网络模型，重复执行以下操作直至所述误差小于预设的误差阈值：将各个所述第二类别日期的训练属性矩阵作为所述神经网络模型的输入参数，将各个所述第二类别日期对应的差异率作为所述神经网络模型的输出参数，计算神经网络模型的误差，以基于反向传播BP算法更新当前的神经网络模型；
输出更新后的神经网络模型。
4.如权利要求3所述的备付金的配置方法，其特征在于，所述计算神经网络模型的误差，包括：
通过公式：计算神经网络模型的误差，所述L为神经网络模型的误差，所述N为选取的第二类别日期的数量，所述xn为第n个第二类别日期的训练属性矩阵对应的差异率的预测值，所述yn为第n个第二类别日期对应的差异率的实际值。
5.如权利要求1所述的备付金的配置方法，其特征在于，还包括：
在计算出所述放款日期对应的备付金阈值后，存储所述放款日期、日期类别以及备付金阈值的对应关系。
6.一种终端设备，包括存储器以及处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如下步骤：
获取放款日期，调用所述放款日期对应的多个属性值，以构建所述放款日期对应的放款属性矩阵；
根据预设的日期与日期类别的对应关系，将所述放款日期识别为第一类别日期或第二类别日期；
若所述放款日期为第一类别日期，则通过预设的线性回归方程，计算所述放款属性矩阵对应的贷款差额，并将所述贷款差额作为所述放款日期对应的备付金阈值；
若所述放款日期为第二类别日期，则根据预设的神经网络模型，计算所述放款属性矩阵对应的差异率，以及计算所述放款日期之前第一预设数量的所述第一类别日期对应的贷款差额的平均值，作为资金参考值，将所述差异率和所述资金参考值导入公式prosec＝profir×(1+prodis)，得到所述放款日期对应的备付金阈值，所述prosec为所述放款日期对应的备付金阈值，所述profir为所述资金参考值，所述prodis为所述差异率；所述备付金阈值用于限定所述放款日期当天的备付金储备上限。
7.如权利要求6所述的终端设备，其特征在于，还包括：
获取训练数据集合，所述训练数据集合包括多个第一类别日期对应的训练属性矩阵，以及各个所述训练属性矩阵与贷款差额的对应关系，所述训练属性矩阵包括所述第一类别日期的多个属性值；
组合所述训练数据集合中的全部训练属性矩阵，生成训练集合矩阵；
调取预设的线性回归模型：
所述loandifn为所述训练数据集合中的第n个所述贷款差额，所述βm为第m个线性回归系数，所述pronm为由所述训练集合矩阵的第n行第m列的元素，所述err为随机误差，所述n以及所述m为大于1的整数；
通过最小二乘法求解所述线性回归模型中的各个所述线性回归系数以及所述随机误差，以生成所述线性回归方程。
8.如权利要求6所述的终端设备，其特征在于，还包括：
获取多个第二类别日期的资金数据以及训练属性矩阵，所述资金数据包括第二类别日期对应的放款备付金以及资金参考值，所述资金参考值为所述第二类别日期前第二预设数量的第一类别日期的放款备付金的平均值，所述训练属性矩阵包括所述第二类别日期的多个属性值；
通过公式：计算各个第二类别日期对应的差异率，所述prosec为各个第二类别日期对应的备付金阈值，所述profir为各个第二类别日期对应的资金参考值，所述prodis为各个第二类别日期对应的差异率；
获取初始的神经网络模型，重复执行以下操作直至所述神经网络模型的误差小于预设的误差阈值：将各个所述第二类别日期的训练属性矩阵作为所述神经网络模型的输入参数，将各个所述第二类别日期对应的差异率作为所述神经网络模型的输出参数，计算所述神经网络模型的误差，以基于反向传播BP算法更新当前的神经网络模型
输出更新后的神经网络模型。
9.如权利要求8所述的终端设备，其特征在于，所述计算神经网络模型的误差，包括：
通过公式：计算神经网络模型的误差，所述L为神经网络模型的误差，所述N为选取的第二类别日期的数量，所述xn为第n个第二类别日期的训练属性矩阵对应的差异率的预测值，所述yn为第n个第二类别日期对应的差异率的实际值。
10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810962526.6A CN109345369B (zh) | 2018-08-22 | 2018-08-22 | 备付金的配置方法及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810962526.6A CN109345369B (zh) | 2018-08-22 | 2018-08-22 | 备付金的配置方法及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109345369A true CN109345369A (zh) | 2019-02-15 |
| CN109345369B CN109345369B (zh) | 2023-03-31 |
Family
ID=65296945
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810962526.6A Active CN109345369B (zh) | 2018-08-22 | 2018-08-22 | 备付金的配置方法及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109345369B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110377592A (zh) * | 2019-06-21 | 2019-10-25 | 中国平安人寿保险股份有限公司 | 定量变量到虚拟变量的数据预处理方法、装置及终端设备 |
| WO2021013179A1 (zh) * | 2019-07-23 | 2021-01-28 | 网联清算有限公司 | 备付金调拨方法、装置和计算机设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1998043187A2 (en) * | 1997-03-03 | 1998-10-01 | Realkredit Danmark A/S | Method and data system for determining financial instruments for, and term to maturity of, a loan |
| CN104715416A (zh) * | 2013-12-17 | 2015-06-17 | 远光软件股份有限公司 | 一种委贷信托业务管理的方法及系统 |
| CN106682988A (zh) * | 2016-12-15 | 2017-05-17 | 平安科技（深圳）有限公司 | 数据处理的方法及装置 |
-
2018
- 2018-08-22 CN CN201810962526.6A patent/CN109345369B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1998043187A2 (en) * | 1997-03-03 | 1998-10-01 | Realkredit Danmark A/S | Method and data system for determining financial instruments for, and term to maturity of, a loan |
| CN104715416A (zh) * | 2013-12-17 | 2015-06-17 | 远光软件股份有限公司 | 一种委贷信托业务管理的方法及系统 |
| CN106682988A (zh) * | 2016-12-15 | 2017-05-17 | 平安科技（深圳）有限公司 | 数据处理的方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110377592A (zh) * | 2019-06-21 | 2019-10-25 | 中国平安人寿保险股份有限公司 | 定量变量到虚拟变量的数据预处理方法、装置及终端设备 |
| CN110377592B (zh) * | 2019-06-21 | 2024-04-05 | 中国平安人寿保险股份有限公司 | 定量变量到虚拟变量的数据预处理方法、装置及终端设备 |
| WO2021013179A1 (zh) * | 2019-07-23 | 2021-01-28 | 网联清算有限公司 | 备付金调拨方法、装置和计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109345369B (zh) | 2023-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108985553A (zh) | 一种异常用户的识别方法及设备 | |
| CN107066365A (zh) | 一种系统异常的监测方法及装置 | |
| CN107943809A (zh) | 数据质量监控方法、装置及大数据计算平台 | |
| CN101288089A (zh) | 基于负荷预测的神经网络的在线和离线训练 | |
| Makarov et al. | Developing digital twins for production enterprises | |
| Gintis | Markov models of social dynamics: theory and applications | |
| CN109345369A (zh) | 备付金的配置方法及终端设备 | |
| Koning et al. | Discrete choice and stochastic utility maximization | |
| Evans et al. | Policy interaction, learning, and the fiscal theory of prices | |
| CN108416619A (zh) | 一种消费间隔时间预测方法、装置及可读存储介质 | |
| Rengs et al. | A computational agent-based simulation of an artificial monetary union for dynamic comparative institutional analysis | |
| Abdulla et al. | Smart meter-based energy consumption forecasting for smart cities using adaptive federated learning | |
| US20170061347A1 (en) | Computerized system and method for predicting quantity levels of a resource | |
| Heymann et al. | Learning about trends: Spending and credit fluctuations in open economies | |
| CN115906458A (zh) | 天然气开采作业控制方法、装置、计算机设备和存储介质 | |
| Norouzi | The effect of forecast evolution on production planning with resources subject to congestion | |
| CN115238988A (zh) | 一种纪念币的分配方法、系统及相关设备 | |
| CN110084700A (zh) | 产品风险预测方法、装置、计算机设备和存储介质 | |
| Han et al. | Managing distrust-induced risk with deposit in supply chain contract decisions | |
| Dang et al. | A web application load prediction model using recurrent neural network in cloud | |
| CN110110880A (zh) | 产品不良率预测方法、装置、计算机设备和存储介质 | |
| CN109255698A (zh) | 基于大数据的还款额的分配方法及终端设备 | |
| CN109472704A (zh) | 基于神经网络的基金产品的筛选方法、终端设备及介质 | |
| Caiza et al. | Optimal ordering policies for multi-echelon supply networks | |
| US20230206028A1 (en) | Deep learning models processing time series data |
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 |