CN109978300B - 客户风险承受力量化方法及系统、资产配置方法及系统 - Google Patents

客户风险承受力量化方法及系统、资产配置方法及系统 Download PDF

Info

Publication number
CN109978300B
CN109978300B CN201711458044.9A CN201711458044A CN109978300B CN 109978300 B CN109978300 B CN 109978300B CN 201711458044 A CN201711458044 A CN 201711458044A CN 109978300 B CN109978300 B CN 109978300B
Authority
CN
China
Prior art keywords
financial
behavior
asset
financial behavior
total number
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.)
Active
Application number
CN201711458044.9A
Other languages
English (en)
Other versions
CN109978300A (zh
Inventor
常剑
马明
巫钢
於今
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bairong Zhixin Beijing Technology Co ltd
Original Assignee
Bairong Zhixin Beijing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bairong Zhixin Beijing Technology Co ltd filed Critical Bairong Zhixin Beijing Technology Co ltd
Priority to CN201711458044.9A priority Critical patent/CN109978300B/zh
Publication of CN109978300A publication Critical patent/CN109978300A/zh
Application granted granted Critical
Publication of CN109978300B publication Critical patent/CN109978300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • General Physics & Mathematics (AREA)
  • Technology Law (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开一种客户风险承受力量化方法及系统、资产配置方法及系统，涉及资产配置技术领域，实现客观性、专业性和一致性地对客户的风险承受力进行量化。该客户风险承受力量化方法包括：获取现存客户的金融行为信息；将现存客户在不同的聚类维度下进行聚类；获取每个聚类维度下的每个类簇中所有现存客户的金融行为总数、每条金融行为所涉及的金融行为类型、以及每条金融行为在其所涉及的每种金融行为类型的金额，统计每个聚类维度下的每个类簇中每种金融行为类型在金融行为总数中出现的加权值的特征向量；将待评估客户在每个聚类维度下划分至对应的类簇中；针对待评估客户的每种需求，建立风险承受力回归模型，计算该待评估客户的综合风险承受力。

Description

客户风险承受力量化方法及系统、资产配置方法及系统
技术领域
本发明涉及资产配置技术领域，尤其涉及一种客户风险承受力量化方法及系统、资产配置方法及系统。
背景技术
随着国家经济的快速增长与居民收入水平的持续提高，个人财富规模不断扩大，理财产品俨然已成投资者做资产配置的重要组成部分。如何选择理财产品，同时做好所选理财产品的合理配置，是进入投资市场最基础也是最需要考虑的问题。
目前，为避免因个人专业知识和投资经验不足而可能引起的不必要风险，投资者更倾向于将自己的资产委托给金融机构例如银行进行经营运作。但金融机构在受理客户提出的资产管理计划后，为客户做出资产配置方案时，投资顾问通常依靠客户的个人经验和主观意识、以及投资顾问的人为主观判断来进行，对客户的风险承受力的评价缺少客观性、专业性和一致性，为客户做出的资产配置方案可靠性较差。
发明内容
本发明的目的在于提供一种客户风险承受力量化方法，用于实现客观性、专业性和一致性地对客户的风险承受力进行量化。
为了实现上述目的，本发明提供如下技术方案：
一种客户风险承受力量化方法，包括：
获取现存客户的金融行为信息；
根据现存客户的金融行为信息，设定聚类维度，并将现存客户在不同的聚类维度下进行聚类；
获取每个聚类维度下的每个类簇中所有现存客户的金融行为总数、每条金融行为所涉及的金融行为类型、以及每条金融行为在其所涉及的每种金融行为类型的金额，统计每个聚类维度下的每个类簇中每种金融行为类型在金融行为总数中出现的加权值构成的特征向量；
获取待评估客户的金融行为信息，将待评估客户在每个聚类维度下划分至对应的类簇中；
根据待评估客户在每个聚类维度下所在的类簇中每种金融行为类型在金融行为总数中出现的加权值的特征向量，以及待评估客户的需求，针对待评估客户的每种需求，建立风险承受力回归模型，并计算该待评估客户的综合风险承受力。
优选地，采用k-means聚类算法将客户在不同的聚类维度下进行聚类，其中，将客户在不同的聚类维度下进行聚类时，对现存客户的各聚类维度数据进行归一化处理，采用误差平方和最小准则作为k-means聚类算法的目标。
优选地，统计其中一个类簇中每种金融行为类型在金融行为总数中出现的加权值构成的特征向量，包括：
根据类簇中所有现存客户的金融行为总数、每条金融行为所涉及的金融行为类型、以及每条金融行为在其所涉及的每种金融行为类型的金额，获取该类簇中存在的金融行为类型，并获取该类簇中每条金融行为的行为向量，xi＝(xi,1,xi,2...xi,j...xi,m)，1≤i≤N，1≤j≤m，其中，N为类簇中所有现存客户的金融行为总数，m为金融行为类型的总数，xi为第i条金融行为的行为向量，xi,j为第i条金融行为中涉及第j种金融行为类型的金额；
根据类簇中每条金融行为的行为向量，获取该类簇中每种金融行为类型在金融行为总数中出现的加权值，P＝(p1,p2...ps...pm)，1≤s≤m，其中，P为由类簇中每种金融行为类型在金融行为总数中出现的加权值构成的加权值向量，P可作为类簇中每种金融行为类型在金融行为总数中出现的加权值构成的特征向量，ps为第s种金融行为类型在金融行为总数中出现的加权值。
优选地，获取该类簇中每种金融行为类型在金融行为总数中出现的加权值后，统计其中一个类簇中每种金融行为类型在金融行为总数中出现的加权值构成的特征向量，还包括：
对加权值向量P中每个加权值进行G级特征处理，其中，G≥1；
获取对加权值向量P中每个加权值进行G级特征处理后形成的加权值构成的特征向量，zt＝(z1,t,z2,t...zs,t...zm,t)，1≤t≤G，zt为对加权值向量P中每个加权值进行t级特征处理后形成的加权值构成的特征向量，zs,t为对第s种金融行为类型在金融行为总数中出现的加权值进行t级特征处理后形成的加权值。
优选地，采用随机森林和深度神经元网络模型算法，计算待评估客户的综合风险承受力。
在本发明提供的客户风险承受力量化方法中，根据现存客户的金融行为信息，对现存客户在不同的聚类维度下进行聚类，并对每种聚类维度下的每个类簇中所有现存客户的金融行为进行量化计算，获取每个聚类维度下的每个类簇中每种金融行为类型在金融行为总数中出现的加权值的特征向量，以便后续对待评估客户进行分类并建立风险承受力模型，具体地，当对待评估客户的综合风险承受力进行计算时，则先获取待评估客户的金融行为信息，并根据待评估客户的金融行为信息，将待评估客户划分至每个聚类维度下对应的类簇中，然后根据待评估客户在每个聚类维度下所在的类簇中每种金融行为类型在金融行为总数中出现的加权值的特征向量，以及待评估客户的需求，针对待评估客户的每种需求，建立风险承受力回归模型，并计算该待评估客户的综合风险承受力，实现待评估客户的综合风险承受力的量化计算。因此，利用本发明提供的客户风险承受力量化方法对待评估客户的综合风险承受力进行量化计算时，基于机器学习和深度学习的方法，对现存客户的金融行为信息进行量化计算，为对待评估客户的综合风险承受力进行量化计算提供量化的基础，且在对待评估客户的综合风险承受力进行量化计算时，完全依赖客观数据对待评估客户进行综合风险承受力的量化和评价，与现有技术中依靠客户的个人经验和主观意识、以及投资顾问的人为主观来判断相比，可以更加客观地、专业地、一致地对客户的风险承受力进行量化和评价。
本发明的目的在于提供一种客户风险承受力量化系统，用于实现客观性、专业性和一致性地对客户风险承受力进行量化。
为了实现上述目的，本发明提供如下技术方案：
一种客户风险承受力量化系统，包括：
金融行为信息获取单元，所述金融行为信息获取单元用于获取现存客户的金融行为信息；所述金融行为信息获取单元还用于获取每个聚类维度下的每个类簇中所有现存客户的金融行为总数、每条金融行为所涉及的金融行为类型、以及每条金融行为在其所涉及的每种金融行为类型的金额；所述金融行为信息获取单元还用于获取待评估客户的金融行为信息；
聚类单元，所述聚类单元用于根据现存客户的金融行为信息，设定聚类维度，并将现存客户在不同的聚类维度下进行聚类；
特征向量获取单元，所述特征向量获取单元用于根据每个聚类维度下的每个类簇中所有现存客户的金融行为总数、每条金融行为所涉及的金融行为类型、以及每条金融行为在其所涉及的每种金融行为类型的金额，统计每个聚类维度下的每个类簇中每种金融行为类型在金融行为总数中出现的加权值构成的特征向量；
类簇划分单元，所述类簇划分单元用于将待评估客户在每个聚类维度下划分至对应的类簇中；
风险承受力建模计算单元，所述风险承受力建模计算单元用于根据待评估客户在每个聚类维度下所在的类簇中每种金融行为类型在金融行为总数中出现的加权值的特征向量，以及待评估客户的需求，针对待评估客户的每种需求，建立风险承受力回归模型，并计算该待评估客户的综合风险承受力。
优选地，所述特征向量获取单元包括行为向量获取模块、加权值获取模块、特征处理模块和特征向量组合模块，其中，
所述行为向量获取模块用于根据类簇中所有现存客户的金融行为总数、每条金融行为所涉及的金融行为类型、以及每条金融行为在其所涉及的每种金融行为类型的金额，获取该类簇中存在的金融行为类型，并获取该类簇中每条金融行为的行为向量，xi＝(xi,1,xi,2...xi,j...xi,m)，1≤i≤N，1≤j≤m，其中，N为类簇中所有现存客户的金融行为总数，m为金融行为类型的总数，xi为第i条金融行为的行为向量，xi,j为第i条金融行为中涉及第j种金融行为类型的金额；
所述加权值获取模块用于根据类簇中每条金融行为的行为向量，获取该类簇中每种金融行为类型在金融行为总数中出现的加权值，P＝(p1,p2...ps...pm)，1≤s≤m，其中，P为由类簇中每种金融行为类型在金融行为总数中出现的加权值构成的加权值向量，P可作为类簇中每种金融行为类型在金融行为总数中出现的加权值构成的特征向量，ps为第s种金融行为类型在金融行为总数中出现的加权值；
所述特征处理模块用于对加权值向量P中每个加权值进行G级特征处理，其中，G≥1；
所述特征向量组合模块用于获取对加权值向量P中每个加权值进行G级特征处理后形成的加权值构成的特征向量，zt＝(z1,t,z2,t...zs,t...zm,t)，1≤t≤G，zt为对加权值向量P中每个加权值进行t级特征处理后形成的加权值构成的特征向量，zs,t为对第s种金融行为类型在金融行为总数中出现的加权值进行t级特征处理后形成的加权值。
所述客户风险承受力量化系统与上述客户风险承受力量化方法相对于现有技术所具有的优势相同，在此不再赘述。
本发明的目的在于提供一种资产配置方法，用于提高为客户做出的资产配置方案的可靠性。
为了实现上述目的，本发明提供如下技术方案：
一种资产配置方法，其特征在于，包括：
如上述技术方案所述的客户风险承受力量化方法；
根据各投资产品的历史数据，计算在多种设定年限中各投资产品的各种行为表现下对应的指标；
根据在多种设定年限中各投资产品的各种行为表现下对应的指标，提取在每种设定年限中各行为表现中最优的投资产品，构成初级配置资产池；
对初级配置资产池中的每种投资产品进行尽职调查，并根据尽职调查的结果，去除初级配置资产池中的部分投资产品，形成待选配置资产池；
根据待评估客户的综合风险承受力以及待选配置资产池，结合资产配置理论模型，为待评估客户提供资产配置方案，其中，资产配置理论模型的目标为收益率最大，资产配置理论模型的约束包括资产配置方案的风险不大于待评估客户的综合风险承受力。
优选地，所述资产配置方法还包括：
对为待评估客户提供的资产配置方案的风险进行计算，获取该资产配置方案的预估风险。
优选地，所述资产配置方法还包括：
对资产配置方案中的投资产品进行跟踪，获取资产配置方案中的投资产品的当前数据；
根据资产配置方案中的投资产品的当前数据，出具资产配置方案的当前投资报告。
在本发明提供的资产配置方法中，采用上述技术方案所述的客户风险承受力量化方法对客户的综合风险承受力进行量化计算，然后对投资产品的历史数据进行量化分析，将行为表现较佳的投资产品提取出来，构成初级配置资产池，然后对初级配置资产池中的投资产品进行尽职调查，以将初级配置资产池中尽职调查结果较差的部分投资产品去除，形成待选配置资产池，以优化资产池，然后根据待评估客户的综合风险承受力以及待选配置资产池，结合资产配置理论模型，为待评估客户提供资产配置方案。因此，利用本发明提供的资产配置方法为客户提供资产配置方案时，基于机器学习和深度学习的方法，完全依赖客观数据对客户进行综合风险承受力的量化和评价，并完全依赖客观数据对投资产品进行分析，与现有技术中依靠客户的个人经验和主观意识、以及投资顾问的人为主观来判断相比，可以更加客观地、专业地、一致地对客户的风险承受力进行量化和评价，从而提高为客户做出的资产配置方案的可靠性。
本发明的目的在于提供一种资产配置系统，用于提高为客户做出的资产配置方案的可靠性。
为了实现上述目的，本发明提供如下技术方案：
一种资产配置系统，包括如上述实施例所述的客户风险承受力量化系统、指标计算单元、投资产品初选单元、投资产品优选单元和资产配置单元，其中，
所述指标计算单元用于根据各投资产品的历史数据，计算在多种设定年限中各投资产品的各种行为表现下对应的指标；
所述投资产品初选单元用于根据在多种设定年限中各投资产品的各种行为表现下对应的指标，提取在每种设定年限中各行为表现中最优的投资产品，构成初级配置资产池；
所述投资产品优选单元用于对初级配置资产池中的每种投资产品进行尽职调查，并根据尽职调查的结果，去除初级配置资产池中的部分投资产品，形成待选配置资产池；
所述资产配置单元用于根据待评估客户的综合风险承受力以及待选配置资产池，结合资产配置理论模型，为待评估客户提供资产配置方案，其中，资产配置理论模型的目标为收益率最大，资产配置理论模型的约束包括资产配置方案的风险不大于待评估客户的综合风险承受力。
优选地，所述资产配置系统还包括资产配置度量单元，所述资产配置度量单元用于对为待评估客户提供的资产配置方案的风险进行计算，获取该资产配置方案的预估风险；所述资产配置度量单元还用于对资产配置方案中的投资产品进行跟踪，获取资产配置方案中的投资产品的当前数据，并根据资产配置方案中的投资产品的当前数据，出具资产配置方案的当前投资报告。
所述资产配置系统与上述资产配置方法相对于现有技术所具有的优势相同，在此不再赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例提供的客户风险承受力量化方法的流程图一；
图2为本发明实施例提供的客户风险承受力量化方法的流程图二；
图3为本发明实施例提供的资产配置方法的流程图；
图4为本发明实施例提供的客户风险承受力量化系统的结构示意图；
图5为本发明实施例提供的资产配置系统的结构示意图。
附图标记：
10-客户风险承受力量化系统， 11-金融行为信息获取单元，
12-聚类单元， 13-特征向量获取单元，
131-行为向量获取模块， 132-加权值获取模块，
133-特征处理模块， 134-特征向量组合模块，
14-类簇划分单元， 15-风险承受力建模计算单元，
21-指标计算单元， 22-投资产品初选单元，
23-投资产品优选单元， 24-资产配置单元，
25-资产配置度量单元。
具体实施方式
为了进一步说明本发明实施例提供的客户风险承受力量化方法及系统、资产配置方法及系统，下面结合说明书附图进行详细描述。
请参阅图1，本发明实施例提供的客户风险承受力量化方法包括：
步骤S1、获取现存客户的金融行为信息。
举例来说，金融机构例如银行先对获取该金融机构的现存客户的金融行为信息，其中，金融机构的现存客户为该金融机构现有的客户，金融行为信息可以包括资产信息、消费流水信息、信贷信息等。
步骤S2、根据现存客户的金融行为信息，设定聚类维度，并将现存客户在不同的聚类维度下进行聚类。
举例来说，聚类维度可以包括资产净值、年龄、消费流水频率、信贷额度等，在每一种聚类维度下，将现存客户进行聚类，形成多个类簇，每个聚类维度包括多个类簇，每个类簇包括至少一个现存客户。
步骤S3、获取每个聚类维度下的每个类簇中所有现存客户的金融行为总数、每条金融行为所涉及的金融行为类型、以及每条金融行为在其所涉及的每种金融行为类型的金额，统计每个聚类维度下的每个类簇中每种金融行为类型在金融行为总数中出现的加权值构成的特征向量。
举例来说，当完成对现存客户在每个聚类维度下的聚类后，每个聚类维度下的每个类簇中包括至少一个现存客户，此时，则根据步骤S1中获取的现存客户的金融行为信息，获取每个聚类维度下的每个类簇中所有现存客户的金融行为总数、每条金融行为所涉及的金融行为类型、以及每条金融行为在其所涉及的每种金融行为类型的金额，其中，获取每个聚类维度下的每个类簇中所有现存客户的金融行为总数时，可以先获取该类簇中所有的现存客户，然后获取该类簇中每个现存客户的金融行为数量，然后对该类簇中各现存客户的金融行为数量进行加和，即可获取该类簇中所有现存客户的金融行为总数，金融行为总数可以理解为该类簇中所有现存客户进行的金融行为的数量；获取每条金融行为所涉及的金融行为类型时，可以先设定金融行为类型，例如，金融行为类型可以包括消费、信贷、资产的总数等，每条金融行为会涉及其中至少一种金融行为类型，例如，某客户做出在商场刷信用卡的金融行为，该金融行为则会涉及消费、信贷等金融行为类型；在得知金融行为涉及的金融行为类型后，即可获得该条金融行为在其涉及的每种金融行为类型的金额。
然后，根据上述信息，则统计每个聚类维度下的每个类簇中每种金融行为类型在金融行为总数中出现的加权值的特征向量，例如，在资产净值这一聚类维度下，10000元～2000元这一类簇中，所有现存客户的金融行为总数为N，金融行为类型设定为m，根据每条金融行为在其涉及的金融行为类型下的金额，以及在N条金融行为中每种金融行为类型出现的次数等，可以统计出每种金融行为类型在金融行为总数中出现的加权值的特征向量，其中，每种金融行为类型在金融行为总数中出现的加权值的特征向量可以包括一个元素，也可以包括多个元素，其中，特征向量包括多个元素时，每个元素为对加权值进行对应级数特征处理后的值。
步骤S4、获取待评估客户的金融行为信息，将待评估客户在每个聚类维度下划分至对应的类簇中。
步骤S1～步骤S3为金融机构对该金融机构的现存客户进行聚类并对每个类簇中金融行为类型的加权值进行计算，以便后续对待评估客户进行分类。但对待评估客户按照不同的聚类维度进行分类时，先获取待评估客户的金融行为信息，该金融行为信息包括待评估客户的资产信息、消费流水信息、信贷信息等，根据待评估客户的金融行为信息，将待评估客户按照不同的聚类维度匹配到对应的类簇中，即对待评估客户进行类簇划分。
步骤S5、根据待评估客户在每个聚类维度下所在的类簇中每种金融行为类型在金融行为总数中出现的加权值的特征向量，以及待评估客户的需求，针对待评估客户的每种需求，建立客户风险承受力回归模型，并计算该待评估客户的风险承受力。
完成对待评估客户的类簇划分后，即获取到待评估客户在每个聚类维度下所在的类簇后，提取待评估客户所在的每个类簇中每种金融行为类型在金融行为总数中出现的加权值的特征向量，同时获取待评估客户的需求，待评估客户的需求可以包括净资产需求、流动性需求、投资周期、预期回报等，将待评估客户的每种需求作为一种维度，建立对应的风险承受力回归模型，并对风险承受力回归模型进行计算，获得在每种需求下待评估客户的风险承受力，然后将各种需求下待评估客户的风险承受力进行综合考虑，获取该待评估客户的综合风险承受力，其中，一般来说，净资产越高风险承受力越高，流动性需求越低投资周期越长风险承受力越高，预期回报越高风险承受力越高。
由上述可知，在本发明实施例提供的客户风险承受力量化方法中，根据现存客户的金融行为信息，对现存客户在不同的聚类维度下进行聚类，并对每种聚类维度下的每个类簇中所有现存客户的金融行为进行量化计算，获取每个聚类维度下的每个类簇中每种金融行为类型在金融行为总数中出现的加权值的特征向量，以便后续对待评估客户进行分类并建立风险承受力模型，具体地，当对待评估客户的综合风险承受力进行计算时，则先获取待评估客户的金融行为信息，并根据待评估客户的金融行为信息，将待评估客户划分至每个聚类维度下对应的类簇中，然后根据待评估客户在每个聚类维度下所在的类簇中每种金融行为类型在金融行为总数中出现的加权值的特征向量，以及待评估客户的需求，针对待评估客户的每种需求，建立风险承受力回归模型，并计算该待评估客户的综合风险承受力，实现待评估客户的综合风险承受力的量化计算。因此，利用本发明实施例提供的客户风险承受力量化方法对待评估客户的综合风险承受力进行量化计算时，基于机器学习和深度学习的方法，对现存客户的金融行为信息进行量化计算，为对待评估客户的综合风险承受力进行量化计算提供量化的基础，且在对待评估客户的综合风险承受力进行量化计算时，完全依赖客观数据对待评估客户进行综合风险承受力的量化和评价，与现有技术中依靠客户的个人经验和主观意识、以及投资顾问的人为主观来判断相比，可以更加客观地、专业地、一致地对客户的风险承受力进行量化和评价。
在上述实施例中，步骤S2中，将现存客户在不同的聚类维度下进行聚类时，可以采用多种方式，例如，可以采用k-means聚类算法将客户在不同的聚类维度下进行聚类，其中，将客户在不同的聚类维度下进行聚类时，可以对现存客户的各聚类维度数据进行归一化处理，并采用误差平方和最小准则作为k-means聚类算法的目标。具体实施时，当将现存客户在其中一个聚类维度下进行聚类时，可以先对现存客户在该聚类维度的聚类维度数据进行归一化处理，即该聚类维度的最小值为0，该聚类维度的最大值为1，然后，初步设定k-means聚类算法的类簇数量k以及每个类簇的类中心，然后采用误差平方和最小准则将现存客户分别划分至相应的类簇中，并对类簇数量k、每个类簇的类中心以及现存客户进行不断调整，以获得符合误差平方和最小准则的聚类结构，其中，误差平方和最小准则可以为：
Figure BDA0001529644200000121
上述公式中，k为类簇数量，Ch为第h类簇的样本集合，y为第h类簇的样本集合Ch中现存客户数据，μh为第h类簇的类中心。
在上述实施例中，请参阅图2，步骤S3中，统计其中一个类簇中每种金融行为类型在金融行为总数中出现的加权值构成的特征向量，可以包括：
步骤S31、根据类簇中所有现存客户的金融行为总数、每条金融行为所涉及的金融行为类型、以及每条金融行为在其所涉及的每种金融行为类型的金额，获取该类簇中存在的金融行为类型，并获取该类簇中每条金融行为的行为向量，xi＝(xi,1,xi,2...xi, j...xi,m)，1≤i≤N，1≤j≤m，其中，N为类簇中所有现存客户的金融行为总数，m为金融行为类型的总数，xi为第i条金融行为的行为向量，xi,j为第i条金融行为中涉及第j种金融行为类型的金额。
具体地，在步骤S31中，对类簇中所有现存客户的金融行为进行量化计算，以实现对客观的金融行为进行量化，获取该类簇中每条金融行为的行为向量。
步骤S32、根据类簇中每条金融行为的行为向量，获取该类簇中每种金融行为类型在金融行为总数中出现的加权值，P＝(p1,p2...ps...pm)，1≤s≤m，其中，P为由类簇中每种金融行为类型在金融行为总数中出现的加权值构成的加权值向量，P可作为类簇中每种金融行为类型在金融行为总数中出现的加权值构成的特征向量，ps为第s种金融行为类型在金融行为总数中出现的加权值。
具体地，类簇中各金融行为的行为向量构成一个m×N的矩阵，该矩阵的每个元素对应为某金融行为中涉及某一金融行为类型的金额，对该矩阵进行统计分析，即可每种金融行为类型在金融行为总数中出现的加权值，该加权值既反映出金融行为类型在金融行为总数中出现的次数，也反映出金融行为类型在金融行为总数中出现的总金额，该加权值也可以理解为金融行为类型在金融行为总数中的比重。
在步骤S32中，根据类簇中每条金融行为的行为向量，获取该类簇中每种金融行为类型在金融行为总数中出现的加权值，各金融行为类型在金融行为总数中出现的加权值构成加权值向量，该加权值向量可以作为类簇中对应金融行为类型在金融行为总数中出现的加权值构成的特征向量，用于后续建立风险承受力模型。
请继续参阅图2，在本发明实施例中，步骤S32中，获取该类簇中每种金融行为类型在金融行为总数中出现的加权值之后，步骤S3中，统计其中一个类簇中每种金融行为类型在金融行为总数中出现的加权值的特征向量，还可以包括：
步骤S33、对加权值向量P中每个加权值进行G级特征处理，其中，G≥1。
具体地，对每种金融行为类型在金融行为总数中出现的加权值做至少一次特征处理，例如，可以对每种金融行为类型在金融行为总数中出现的加权值做一次特征处理，如对每种金融行为类型在金融行为总数中出现的加权值做一次平方处理；或者，可以对每种金融行为类型在金融行为总数中出现的加权值做两次特征处理，如第一次特征处理为对每种金融行为类型在金融行为总数中出现的加权值做平方处理，第二次特征处理为对每种金融行为类型在金融行为总数中出现的加权值做倍数处理；或者，可以对每种金融行为类型在金融行为总数中出现的加权值做三次或三次以上的特征处理。在每次对每种金融行为类型在金融行为总数中出现的加权值做特征处理时，可以采用概率统计、高斯建模、特征融合等方式中至少一种，对每种金融行为类型在金融行为总数中出现的加权值做特征处理。
步骤S34、获取对加权值向量P中每个加权值进行G级特征处理后形成的加权值构成的特征向量，zt＝(z1,t,z2,t...zs,t...zm,t)，1≤t≤G，zt为对加权值向量P中每个加权值进行t级特征处理后形成的加权值构成的特征向量，zs,t为对第s种金融行为类型在金融行为总数中出现的加权值进行t级特征处理后形成的加权值。
通过步骤S33和步骤S34，可以将特征向量中各加权值之间的差距拉大，使得特征向量中各加权值之间具有更高的区分度，即，使得各金融行为类型在金融行为总数中出现的加权值之间具有更高的区分度，以便后续量化计算综合风险承受力时更加准确。
在上述实施例中，根据风险承受力回归模型，计算待评估客户的综合风险承受力时，可以采用随机森林和深度神经元网络模型算法，以提高对待评估客户的综合风险承受力进行计算时的准确度、效率。
请参阅图3，本发明实施例还提供一种资产配置方法，用于为客户提供资产配置方案，所述资产配置方法包括：
如上述实施例所述的客户风险承受力量化方法。即如上述实施例所述的步骤S1～步骤S5，其中，步骤S3可以包括步骤S31～步骤S34。
步骤S6、根据各投资产品的历史数据，计算在多种设定年限中各投资产品的各行为表现下对应的指标。
具体地，设定年限可以为多种设定方式，例如，设定年限可以为近1年、近2年、近3年、近4年、近5年、近10年等，多种设定年限则可以为这些设定年限中的其中至少两种，例如，多种设定年限可以包括近1年、近3年，或者，多种设定年限可以包括近1年、近3年、近5年，再次不一一列举。投资产品可以包括股票型基金、债券型基金等，投资产品的行为表现可以包括收益率、波动性、收益风险比、超额收益、收益稳定性等。在步骤S6中，计算在多种设定年限中各投资产品的各种行为表现的指标，以多种设定年限可以包括近1年、近3年、近5年为例，投资产品的行为表现可以包括收益率、波动性、收益风险比、超额收益、相关性、收益稳定性为例进行说明，该步骤可以理解为：计算近1年中，各投资产品的收益率、波动性、收益风险比、超额收益、收益稳定性分别对应的指标，计算近3年中，各投资产品的收益率、波动性、收益风险比、超额收益、收益稳定性分别对应的指标，以及，计算近5年中，各投资产品的收益率、波动性、收益风险比、超额收益、收益稳定性分别对应的指标。
值得说明的是，各投资产品的历史数据可以存储在历史数据库中，该历史数据库中存储有个投资产品的定量数据和定性数据，在本发明实施例中，计算在多种设定年限中各投资产品的各种行为表现的指标时，以定量分析为基础进行。计算在多种设定年限中各投资产品的各种行为表现的指标时，先从历史数据库中提取出各投资产品的历史数据，然后根据各投资产品的历史数据，计算在多种设定年限中各投资产品的各种行为表现的指标，然后将计算获得的指标对应存储至历史数据库中，以便后续可以直接使用，而无需重新计算。
步骤S7、根据在多种设定年限中各投资产品的各种行为表现下对应的指标，提取在每种设定年限中各行为表现中最优的投资产品，作为初级配置资产池。
举例来说，以多种设定年限可以包括近1年、近3年、近5年为例，投资产品的行为表现可以包括收益率、波动性、收益风险比、超额收益、收益稳定性为例进行说明，在步骤S6中，计算近1年中，各投资产品的收益率、波动性、收益风险比、超额收益、收益稳定性分别对应的指标，计算近3年中，各投资产品的收益率、波动性、收益风险比、超额收益、收益稳定性分别对应的指标，以及，计算近5年中，各投资产品的收益率、波动性、收益风险比、超额收益、收益稳定性分别对应的指标；然后，提取每种设定年限中每种行为表现下的指标排名最优的投资产品，可以采用如下方式实现：将各投资产品按设定年限中行为表现下对应的指标由优至劣排名，例如，将各投资产品按近1年中收益率对应的指标由高到低排名，将各投资产品按近1年中波动率对应的指标由低到高排名，将各投资产品按近1年中收益风险比对应的指标由高到低排名，将各投资产品按近1年中超额收益对应的指标由高到低排名，将各投资产品按近1年中收益稳定性对应的指标由高到低排名，将各投资产品按近3年中收益率对应的指标由高到低排名，将各投资产品按近3年中波动率对应的指标由低到高排名，将各投资产品按近3年中收益风险比对应的指标由高到低排名，将各投资产品按近3年中超额收益对应的指标由高到低排名，将各投资产品按近3年中收益稳定性对应的指标由高到低排名，将各投资产品按近5年中收益率对应的指标由高到低排名，将各投资产品按近5年中波动率对应的指标由低到高排名，将各投资产品按近5年中收益风险比对应的指标由高到低排名，将各投资产品按近5年中超额收益对应的指标由高到低排名，将各投资产品按近5年中收益稳定性对应的指标由高到低排名，然后将上述每个排名中排名最高的投资产品提取出来；提取出来的投资产品则构成初级配置资产池。
步骤S8、对初级配置资产池中的每种投资产品进行尽职调查，并根据尽职调查的结果，去除初级配置资产池中的部分投资产品，形成待选配置资产池。
在步骤S8中，对初级配置资产池中的每种投资产品进行尽职调查，例如，与投资产品的产品经理进行沟通，以获取每种投资产品的尽职调查结果，然后，根据尽职调查的结果，去除初级配置资产池中尽职调查结果排名靠后的投资产品，形成待选配置资产池，待选配置资产池中的投资产品则可作为供后续为客户提供资产配置方案时的可选投资产品。如此，可以剔除初级配置资产池中可能未来表现不佳的投资产品，将初级配置资产池中可能未来表现较佳的投资产品保留下来，作为资产配置方案的可选投资产品，可以提高后续提供的资产配置方案的可靠性。
步骤S9、根据待评估客户的综合风险承受力以及待选配置资产池，结合资产配置理论模型，为待评估客户提供资产配置方案，其中，资产配置理论模型的目标为收益率最大，资产配置理论模型的约束包括资产配置方案的风险不大于待评估客户的综合风险承受力。
在步骤S9中，根据步骤S5中量化计算得到的待评估客户的综合风险承受力以及步骤S8中形成的待选配置资产池中的投资产品，结合资产配置理论模型，为待评估客户提供资产配置方案，其中，收益率最大作为资产配置理论模型的目标，资产配置方案的风险不大于待评估客户的综合风险承受力作为资产配置理论模型的其中一个约束。为待评估客户提供的资产配置方案中，所选取的投资产品一般为待选配置资产池中的投资产品。
由上述可知，在本发明实施例提供的资产配置方法中，采用上述实施例所述的客户风险承受力量化方法对客户的综合风险承受力进行量化计算，然后对投资产品的历史数据进行量化分析，将行为表现较佳的投资产品提取出来，构成初级配置资产池，然后对初级配置资产池中的投资产品进行尽职调查，以将初级配置资产池中尽职调查结果较差的部分投资产品去除，形成待选配置资产池，以优化资产池，然后根据待评估客户的综合风险承受力以及待选配置资产池，结合资产配置理论模型，为待评估客户提供资产配置方案。因此，利用本发明实施例提供的资产配置方法为客户提供资产配置方案时，基于机器学习和深度学习的方法，完全依赖客观数据对客户进行综合风险承受力的量化和评价，并完全依赖客观数据对投资产品进行分析，与现有技术中依靠客户的个人经验和主观意识、以及投资顾问的人为主观来判断相比，可以更加客观地、专业地、一致地对客户的风险承受力进行量化和评价，从而提高为客户做出的资产配置方案的可靠性。
请继续参阅图3，在本发明实施例中，步骤S9之后，所述资产配置方法还可以包括：
步骤S10、对为待评估客户提供的资产配置方案的风险进行计算，获取该资产配置方案的预估风险。
具体地，当根据待评估客户的综合风险承受力以及待选配置资产池，结合资产配置理论模型，为待评估客户提供资产配置方案后，对资产配置方案的风险进行计算，以获取该资产配置方案的预估风险，为待评估客户是否选择该资产配置方案提供量化的参考，同时为资产配置方案的修正提供量化的参考。
当待评估客户确定采用上述资产配置方案后，请继续参阅图3，在本发明实施例中，步骤S9之后，所述资产配置方法还可以包括：
步骤S11、对资产配置方案中的投资产品进行跟踪，获取资产配置方案中的投资产品的当前数据。
具体地，对资产配置方案中的投资产品进行跟踪，以获取资产配置方案中的投资产品的当前数据，需要说明的是，对资产配置方案中的投资产品进行跟踪时，可以是进行实时跟踪，也可以每隔一定时间进行一次跟踪。
步骤S12、根据资产配置方案中的投资产品的当前数据，出具资产配置方案的当前投资报告。
具体地，根据跟踪获得的资产配置方案中的投资产品的当前数据，出具资产配置方案的当前投资报告，当前投资报告可以包括资产配置方案中各投资产品的当前行为表现、资产配置方案的当前风险、资产配置方案调整与否及调整方案等，以供客户查阅并做出选择。
请参阅图4，本发明实施例还提供一种应用如上述实施例所述的客户风险承受力量化方法的客户风险承受力量化系统，包括：金融行为信息获取单元11，金融行为信息获取单元11用于获取现存客户的金融行为信息；金融行为信息获取单元11还用于获取每个聚类维度下的每个类簇中所有现存客户的金融行为总数、每条金融行为所涉及的金融行为类型、以及每条金融行为在其所涉及的每种金融行为类型的金额；金融行为信息获取单元11还用于获取待评估客户的金融行为信息；聚类单元12，聚类单元12用于根据现存客户的金融行为信息，设定聚类维度，并将现存客户在不同的聚类维度下进行聚类；特征向量获取单元13，特征向量获取单元13用于根据每个聚类维度下的每个类簇中所有现存客户的金融行为总数、每条金融行为所涉及的金融行为类型、以及每条金融行为在其所涉及的每种金融行为类型的金额，统计每个聚类维度下的每个类簇中每种金融行为类型在金融行为总数中出现的加权值构成的特征向量；类簇划分单元14，类簇划分单元14用于将待评估客户在每个聚类维度下划分至对应的类簇中；风险承受力建模计算单元15，风险承受力建模计算单元15用于根据待评估客户在每个聚类维度下所在的类簇中每种金融行为类型在金融行为总数中出现的加权值的特征向量，以及待评估客户的需求，针对待评估客户的每种需求，建立风险承受力回归模型，并计算该待评估客户的综合风险承受力。
特征向量获取单元13包括行为向量获取模块131、加权值获取模块132、特征处理模块133和特征向量组合模块134，其中，行为向量获取模块131用于根据类簇中所有现存客户的金融行为总数、每条金融行为所涉及的金融行为类型、以及每条金融行为在其所涉及的每种金融行为类型的金额，获取该类簇中存在的金融行为类型，并获取该类簇中每条金融行为的行为向量，xi＝(xi,1,xi,2...xi,j...xi,m)，1≤i≤N，1≤j≤m，其中，N为类簇中所有现存客户的金融行为总数，m为金融行为类型的总数，xi为第i条金融行为的行为向量，xi,j为第i条金融行为中涉及第j种金融行为类型的金额；加权值获取模块132用于根据类簇中每条金融行为的行为向量，获取该类簇中每种金融行为类型在金融行为总数中出现的加权值，P＝(p1,p2...ps...pm)，1≤s≤m，其中，P为由类簇中每种金融行为类型在金融行为总数中出现的加权值构成的加权值向量，P可作为类簇中每种金融行为类型在金融行为总数中出现的加权值构成的特征向量，ps为第s种金融行为类型在金融行为总数中出现的加权值；特征处理模块133用于对加权值向量P中每个加权值进行G级特征处理，其中，G≥1；特征向量组合模块134用于获取对加权值向量P中每个加权值进行G级特征处理后形成的加权值构成的特征向量，zt＝(z1,t,z2,t...zs,t...zm,t)，1≤t≤G，zt为对加权值向量P中每个加权值进行t级特征处理后形成的加权值构成的特征向量，zs,t为对第s种金融行为类型在金融行为总数中出现的加权值进行t级特征处理后形成的加权值。
所述客户风险承受力量化系统与上述客户风险承受力量化方法相对于现有技术所具有的优势相同，在此不再赘述。
请参阅图5，本发明实施例还提供一种应用如上述实施例所述的资产配置方法的资产配置系统，包括如上述实施例所述的客户风险承受力量化系统10、指标计算单元21、投资产品初选单元22、投资产品优选单元23和资产配置单元24，其中，指标计算单元21用于根据各投资产品的历史数据，计算在多种设定年限中各投资产品的各种行为表现下对应的指标；投资产品初选单元22用于根据在多种设定年限中各投资产品的各种行为表现下对应的指标，提取在每种设定年限中各行为表现中最优的投资产品，构成初级配置资产池；投资产品优选单元23用于对初级配置资产池中的每种投资产品进行尽职调查，并根据尽职调查的结果，去除初级配置资产池中的部分投资产品，形成待选配置资产池；资产配置单元24用于根据待评估客户的综合风险承受力以及待选配置资产池，结合资产配置理论模型，为待评估客户提供资产配置方案，其中，资产配置理论模型的目标为收益率最大，资产配置理论模型的约束包括资产配置方案的风险不大于待评估客户的综合风险承受力。
所述资产配置系统还包括资产配置度量单元25，资产配置度量单元25用于对为待评估客户提供的资产配置方案的风险进行计算，获取该资产配置方案的预估风险；资产配置度量单元25还用于对资产配置方案中的投资产品进行跟踪，获取资产配置方案中的投资产品的当前数据，并根据资产配置方案中的投资产品的当前数据，出具资产配置方案的当前投资报告。
所述资产配置系统与上述资产配置方法相对于现有技术所具有的优势相同，在此不再赘述。
在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (12)

1.一种客户风险承受力量化方法，其特征在于，包括：
获取现存客户的金融行为信息；
根据现存客户的金融行为信息，设定聚类维度，并将现存客户在不同的聚类维度下进行聚类；
获取每个聚类维度下的每个类簇中所有现存客户的金融行为总数、每条金融行为所涉及的金融行为类型、以及每条金融行为在其所涉及的每种金融行为类型的金额，统计每个聚类维度下的每个类簇中每种金融行为类型在金融行为总数中出现的加权值构成的特征向量；
获取待评估客户的金融行为信息，将待评估客户在每个聚类维度下划分至对应的类簇中；
根据待评估客户在每个聚类维度下所在的类簇中每种金融行为类型在金融行为总数中出现的加权值的特征向量，以及待评估客户的需求，针对待评估客户的每种需求，建立风险承受力回归模型，并计算该待评估客户的综合风险承受力。
2.根据权利要求1所述的客户风险承受力量化方法，其特征在于，采用k-means聚类算法将客户在不同的聚类维度下进行聚类，其中，将客户在不同的聚类维度下进行聚类时，对现存客户的各聚类维度数据进行归一化处理，采用误差平方和最小准则作为k-means聚类算法的目标。
3.根据权利要求1所述的客户风险承受力量化方法，其特征在于，统计其中一个类簇中每种金融行为类型在金融行为总数中出现的加权值构成的特征向量，包括：
根据类簇中所有现存客户的金融行为总数、每条金融行为所涉及的金融行为类型、以及每条金融行为在其所涉及的每种金融行为类型的金额，获取该类簇中存在的金融行为类型，并获取该类簇中每条金融行为的行为向量，xi＝(xi,1,xi,2...xi,j...xi,m)，1≤i≤N，1≤j≤m，其中，N为类簇中所有现存客户的金融行为总数，m为金融行为类型的总数，xi为第i条金融行为的行为向量，xi,j为第i条金融行为中涉及第j种金融行为类型的金额；
根据类簇中每条金融行为的行为向量，获取该类簇中每种金融行为类型在金融行为总数中出现的加权值，P＝(p1,p2...ps...pm)，1≤s≤m，其中，P为由类簇中每种金融行为类型在金融行为总数中出现的加权值构成的加权值向量，P可作为类簇中每种金融行为类型在金融行为总数中出现的加权值构成的特征向量，ps为第s种金融行为类型在金融行为总数中出现的加权值。
4.根据权利要求3所述的客户风险承受力量化方法，其特征在于，获取该类簇中每种金融行为类型在金融行为总数中出现的加权值后，统计其中一个类簇中每种金融行为类型在金融行为总数中出现的加权值构成的特征向量，还包括：
对加权值向量P中每个加权值进行G级特征处理，其中，G≥1；
获取对加权值向量P中每个加权值进行G级特征处理后形成的加权值构成的特征向量，zt＝(z1,t,z2,t...zs,t...zm,t)，1≤t≤G，zt为对加权值向量P中每个加权值进行t级特征处理后形成的加权值构成的特征向量，zs,t为对第s种金融行为类型在金融行为总数中出现的加权值进行t级特征处理后形成的加权值。
5.根据权利要求1所述的客户风险承受力量化方法，其特征在于，采用随机森林和深度神经元网络模型算法，计算待评估客户的综合风险承受力。
6.一种资产配置方法，其特征在于，包括：
如权利要求1～5任一所述的客户风险承受力量化方法；
根据各投资产品的历史数据，计算在多种设定年限中各投资产品的各种行为表现下对应的指标；
根据在多种设定年限中各投资产品的各种行为表现下对应的指标，提取在每种设定年限中各行为表现中最优的投资产品，构成初级配置资产池；
对初级配置资产池中的每种投资产品进行尽职调查，并根据尽职调查的结果，去除初级配置资产池中的部分投资产品，形成待选配置资产池；
根据待评估客户的综合风险承受力以及待选配置资产池，结合资产配置理论模型，为待评估客户提供资产配置方案，其中，资产配置理论模型的目标为收益率最大，资产配置理论模型的约束包括资产配置方案的风险不大于待评估客户的综合风险承受力。
7.根据权利要求6所述的资产配置方法，其特征在于，所述资产配置方法还包括：
对为待评估客户提供的资产配置方案的风险进行计算，获取该资产配置方案的预估风险。
8.根据权利要求6所述的资产配置方法，其特征在于，所述资产配置方法还包括：
对资产配置方案中的投资产品进行跟踪，获取资产配置方案中的投资产品的当前数据；
根据资产配置方案中的投资产品的当前数据，出具资产配置方案的当前投资报告。
9.一种客户风险承受力量化系统，其特征在于，包括：
金融行为信息获取单元，所述金融行为信息获取单元用于获取现存客户的金融行为信息；所述金融行为信息获取单元还用于获取每个聚类维度下的每个类簇中所有现存客户的金融行为总数、每条金融行为所涉及的金融行为类型、以及每条金融行为在其所涉及的每种金融行为类型的金额；所述金融行为信息获取单元还用于获取待评估客户的金融行为信息；
聚类单元，所述聚类单元用于根据现存客户的金融行为信息，设定聚类维度，并将现存客户在不同的聚类维度下进行聚类；
特征向量获取单元，所述特征向量获取单元用于根据每个聚类维度下的每个类簇中所有现存客户的金融行为总数、每条金融行为所涉及的金融行为类型、以及每条金融行为在其所涉及的每种金融行为类型的金额，统计每个聚类维度下的每个类簇中每种金融行为类型在金融行为总数中出现的加权值构成的特征向量；
类簇划分单元，所述类簇划分单元用于将待评估客户在每个聚类维度下划分至对应的类簇中；
风险承受力建模计算单元，所述风险承受力建模计算单元用于根据待评估客户在每个聚类维度下所在的类簇中每种金融行为类型在金融行为总数中出现的加权值的特征向量，以及待评估客户的需求，针对待评估客户的每种需求，建立风险承受力回归模型，并计算该待评估客户的综合风险承受力。
10.根据权利要求9所述的客户风险承受力量化系统，其特征在于，所述特征向量获取单元包括行为向量获取模块、加权值获取模块、特征处理模块和特征向量组合模块，其中，
所述行为向量获取模块用于根据类簇中所有现存客户的金融行为总数、每条金融行为所涉及的金融行为类型、以及每条金融行为在其所涉及的每种金融行为类型的金额，获取该类簇中存在的金融行为类型，并获取该类簇中每条金融行为的行为向量，xi＝(xi,1,xi,2...xi,j...xi,m)，1≤i≤N，1≤j≤m，其中，N为类簇中所有现存客户的金融行为总数，m为金融行为类型的总数，xi为第i条金融行为的行为向量，xi,j为第i条金融行为中涉及第j种金融行为类型的金额；
所述加权值获取模块用于根据类簇中每条金融行为的行为向量，获取该类簇中每种金融行为类型在金融行为总数中出现的加权值，P＝(p1,p2...ps...pm)，1≤s≤m，其中，P为由类簇中每种金融行为类型在金融行为总数中出现的加权值构成的加权值向量，P可作为类簇中每种金融行为类型在金融行为总数中出现的加权值构成的特征向量，ps为第s种金融行为类型在金融行为总数中出现的加权值；
所述特征处理模块用于对加权值向量P中每个加权值进行G级特征处理，其中，G≥1；
所述特征向量组合模块用于获取对加权值向量P中每个加权值进行G级特征处理后形成的加权值构成的特征向量，zt＝(z1,t,z2,t...zs,t...zm,t)，1≤t≤G，zt为对加权值向量P中每个加权值进行t级特征处理后形成的加权值构成的特征向量，zs,t为对第s种金融行为类型在金融行为总数中出现的加权值进行t级特征处理后形成的加权值。
11.一种资产配置系统，其特征在于，包括如权利要求9～10任一所述的客户风险承受力量化系统、指标计算单元、投资产品初选单元、投资产品优选单元和资产配置单元，其中，
所述指标计算单元用于根据各投资产品的历史数据，计算在多种设定年限中各投资产品的各种行为表现下对应的指标；
所述投资产品初选单元用于根据在多种设定年限中各投资产品的各种行为表现下对应的指标，提取在每种设定年限中各行为表现中最优的投资产品，构成初级配置资产池；
所述投资产品优选单元用于对初级配置资产池中的每种投资产品进行尽职调查，并根据尽职调查的结果，去除初级配置资产池中的部分投资产品，形成待选配置资产池；
所述资产配置单元用于根据待评估客户的综合风险承受力以及待选配置资产池，结合资产配置理论模型，为待评估客户提供资产配置方案，其中，资产配置理论模型的目标为收益率最大，资产配置理论模型的约束包括资产配置方案的风险不大于待评估客户的综合风险承受力。
12.根据权利要求11所述的资产配置系统，其特征在于，所述资产配置系统还包括资产配置度量单元，所述资产配置度量单元用于对为待评估客户提供的资产配置方案的风险进行计算，获取该资产配置方案的预估风险；所述资产配置度量单元还用于对资产配置方案中的投资产品进行跟踪，获取资产配置方案中的投资产品的当前数据，并根据资产配置方案中的投资产品的当前数据，出具资产配置方案的当前投资报告。
CN201711458044.9A 2017-12-28 2017-12-28 客户风险承受力量化方法及系统、资产配置方法及系统 Active CN109978300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711458044.9A CN109978300B (zh) 2017-12-28 2017-12-28 客户风险承受力量化方法及系统、资产配置方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711458044.9A CN109978300B (zh) 2017-12-28 2017-12-28 客户风险承受力量化方法及系统、资产配置方法及系统

Publications (2)

Publication Number Publication Date
CN109978300A CN109978300A (zh) 2019-07-05
CN109978300B true CN109978300B (zh) 2023-05-23

Family

ID=67074543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711458044.9A Active CN109978300B (zh) 2017-12-28 2017-12-28 客户风险承受力量化方法及系统、资产配置方法及系统

Country Status (1)

Country Link
CN (1) CN109978300B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111105266B (zh) * 2019-11-11 2023-10-27 建信金融科技有限责任公司 基于改进决策树的客户分群方法及装置
CN112581291B (zh) * 2020-12-28 2023-08-11 平安银行股份有限公司 风险测评异动检测方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999028845A1 (en) * 1997-12-02 1999-06-10 Financial Engines, Inc. Financial advisory system
CA2376643A1 (en) * 1999-07-01 2001-01-11 Xuehai En Selecting investments for a portfolio
CN102081781A (zh) * 2009-11-26 2011-06-01 陈晓明 基于信息自循环的金融建模优化方法
CN103514566A (zh) * 2013-10-15 2014-01-15 国家电网公司 一种风险控制系统及方法
CN106228399A (zh) * 2016-07-20 2016-12-14 福建工程学院 一种基于大数据的券商客户风险偏好分类方法
CN106897918A (zh) * 2017-02-24 2017-06-27 上海易贷网金融信息服务有限公司 一种混合式机器学习信用评分模型构建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10453142B2 (en) * 2009-02-11 2019-10-22 Johnathan Mun System and method for modeling and quantifying regulatory capital, key risk indicators, probability of default, exposure at default, loss given default, liquidity ratios, and value at risk, within the areas of asset liability management, credit risk, market risk, operational risk, and liquidity risk for banks

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999028845A1 (en) * 1997-12-02 1999-06-10 Financial Engines, Inc. Financial advisory system
CA2376643A1 (en) * 1999-07-01 2001-01-11 Xuehai En Selecting investments for a portfolio
CN102081781A (zh) * 2009-11-26 2011-06-01 陈晓明 基于信息自循环的金融建模优化方法
CN103514566A (zh) * 2013-10-15 2014-01-15 国家电网公司 一种风险控制系统及方法
CN106228399A (zh) * 2016-07-20 2016-12-14 福建工程学院 一种基于大数据的券商客户风险偏好分类方法
CN106897918A (zh) * 2017-02-24 2017-06-27 上海易贷网金融信息服务有限公司 一种混合式机器学习信用评分模型构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨子 ; 郭树行 ; 夏婉菁 ; .基于云计算的金融企业用户风险分析研究.科技创新导报.2015,(01),全文. *
鲁江 ; 何晓玲 ; .数据挖掘在我国商业银行信用风险度量模型中的应用.中国管理信息化.2009,(11),全文. *

Also Published As

Publication number Publication date
CN109978300A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
CN108648074B (zh) 基于支持向量机的贷款评估方法、装置及设备
Jackson et al. The performance of insolvency prediction and credit risk models in the UK: A comparative study
Zekić-Sušac et al. Predicting company growth using logistic regression and neural networks
WO2001050388A2 (en) Cross correlation tool for automated portfolio descriptive statistics
CN116523262B (zh) 基于大数据的生产计划智能规划方法、系统和介质
WO2020024456A1 (zh) 一种量化交易预测方法、装置及设备
Emir et al. A stock selection model based on fundamental and technical analysis variables by using artificial neural networks and support vector machines
CN110634060A (zh) 一种用户信用风险的评估方法、系统、装置及存储介质
CN109978300B (zh) 客户风险承受力量化方法及系统、资产配置方法及系统
Bach et al. Selection of variables for credit risk data mining models: preliminary research
CN113344438A (zh) 对贷中行为进行监控的贷款系统、监控方法、设备及介质
Eddy et al. Credit scoring models: Techniques and issues
KR20110114181A (ko) 예측 정확성이 향상된 대출 심사 방법
KR101292130B1 (ko) 기업별 실시간 상대가치 평가 방법
CN116596659A (zh) 基于大数据风控的企业智能化信贷审批方法、系统及介质
Sapuan et al. Predicting the performance and survival of islamic banks in malaysia to achieve growth sustainability
CN112348220A (zh) 一种基于企业行为模式的信用风险评估预测方法及系统
CN114626940A (zh) 数据分析方法、装置及电子设备
Wang et al. Carbon trading price forecasting in digitalization social change era using an explainable machine learning approach: The case of China as emerging country evidence
CN113222767A (zh) 指数化证券组合的数据处理方法及装置
Sadatrasoul Matrix Sequential Hybrid Credit Scorecard Based on Logistic Regression and Clustering
Harsha et al. Addressing Challenges in Stock Selection: A Financial Decision Support System Approach
Kwak et al. Bankruptcy prediction for Chinese firms: Comparing data mining tools with logit analysis
Dixon et al. A Bayesian approach to ranking private companies based on predictive indicators
Bílková Assessment of Living Standard Indicators in the OECD Member Countries

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
TA01 Transfer of patent application right

Effective date of registration: 20230506

Address after: Floor 1-3, Block A, Global Creative Plaza, No. 10, Furong Street, Chaoyang District, Beijing 100020

Applicant after: Bairong Zhixin (Beijing) Technology Co.,Ltd.

Address before: Room 116-26, 1st Floor, 101, Building 2, No. 8 Beichen West Road, Chaoyang District, Beijing, 100029

Applicant before: Beijing Shun Zhixin Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant