CN111861544A - 参与者账户流动性预测方法及装置 - Google Patents
参与者账户流动性预测方法及装置 Download PDFInfo
- Publication number
- CN111861544A CN111861544A CN202010563614.6A CN202010563614A CN111861544A CN 111861544 A CN111861544 A CN 111861544A CN 202010563614 A CN202010563614 A CN 202010563614A CN 111861544 A CN111861544 A CN 111861544A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- transaction data
- participant
- liquidity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims description 25
- 238000007781 pre-processing Methods 0.000 claims description 21
- 241000728173 Sarima Species 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012821 model calculation Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种参与者账户流动性预测方法及装置，参与者账户流动性预测方法包括：获取参与者账户的交易数据；利用所述交易数据以及预先建立的时间序列算法模型对所述参与者账户的流动性进行预测。本发明所提供的参与者账户流动性预测方法及装置，能够加强参与者账户流动性风险管理能力，更精准地预测参与者流动性情况。
Description
技术领域
本发明涉及计算机技术领域，尤其是计算机技术在金融行业中应用，具体涉及一种参与者账户流动性预测方法及装置。
背景技术
现有支付系统中，为系统参与者(系统参与者指各类商业银行)提供了资金池等多种类的灵活的流动性管理机制，但是由于种种因素的限制，这些流动性管理机制并没有完全对参与者开放使用。参与者在支付系统开设的清算账户流动性主要用于参与者在大额支付系统、小额支付系统、网上跨行清算系统的业务清算使用。目前在系统运行中发现，参与者对其每日完成清算业务所需金额缺少精准的把握，造成了参与者清算账户部分流动性浪费，无法产生更高的经济效益。
发明内容
针对现有技术中的问题，本发明所提供的参与者账户流动性预测方法及装置，能够加强参与者账户流动性风险管理能力，更精准地预测参与者流动性情况。
为解决上述技术问题，本发明提供以下技术方案：
第一方面，本发明提供一种参与者账户流动性预测方法，包括：
获取参与者账户的交易数据；
利用所述交易数据以及预先建立的时间序列算法模型对所述参与者账户的流动性进行预测。
一实施例中，参与者账户流动性预测方法还包括：对所述交易数据进行预处理，包括：按照周期性将所述交易数据进行分类。
一实施例中，建立所述时间序列算法模型的步骤包括：
利用SARIMA算法、Prophet算法及/或LSTM算法，根据分类后的交易数据建立所述时间序列算法模型的初始模型；
利用网格搜索、贝叶斯优化方法确定所述初始模型的模型参数；
根据所述模型参数、所述初始模型以及所述分类后的交易数据建立所述时间序列算法模型。
一实施例中，所述按照周期性将所述交易数据进行分类包括：以预设时间粒度对所述交易数据进行加工。
一实施例中，所述对所述交易数据进行预处理还包括：
对零值数据、空值数据以及突变数据进行处理，以生成初始数据；
对所述初始数据进行平滑处理。
第二方面，本发明提供一种参与者账户流动性预测装置，该装置包括：
交易数据获取单元，用于获取参与者账户的交易数据；
流动性预测单元，用于利用所述交易数据以及预先建立的时间序列算法模型对所述参与者账户的流动性进行预测。
一实施例中，参与者账户流动性预测装置还包括：预处理单元，用于对所述交易数据进行预处理，预处理单元包括：
交易数据分类模块，用于按照周期性将所述交易数据进行分类；
初始数据生成模块，用于对零值数据、空值数据以及突变数据进行处理，以生成初始数据；
初始数据平滑模块，用于对所述初始数据进行平滑处理。
一实施例中，参与者账户流动性预测装置还包括：模型建立单元，用于建立所述时间序列算法模型；所述模型建立单元包括：
初始模型建立模块，用于利用SARIMA算法、Prophet算法及/或LSTM算法，根据分类后的交易数据建立所述时间序列算法模型的初始模型；
模型参数确定模块，用于利用网格搜索、贝叶斯优化方法确定所述初始模型的模型参数；
模型建立模块，用于根据所述模型参数、所述初始模型以及所述分类后的交易数据建立所述时间序列算法模型。
一实施例中，预处理单元具体用于以预设时间粒度对所述交易数据进行加工。
第三方面，本发明提供一种电子设备，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，处理器执行程序时实现参与者账户流动性预测方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现参与者账户流动性预测方法的步骤。
从上述描述可知，本发明实施例提供参与者账户流动性预测方法及装置，首先获取参与者账户的交易数据；接着，利用交易数据以及预先建立的时间序列算法模型对参与者账户的流动性进行预测。具体地，本发明基于大数据平台对原始交易数据进行预加工，定时调用开源算法自动对参与者下一天的账户流动性进行预测。利用支付系统真实支付交易业务数据，使用开源算法模型对参与者账户流动性进行预测。可以通过前端应用展示模型预测结果与真实数据的对比情况，通过流动性预测值和真实值的对比，可以对流动性风险进行预判。实现了参与者清算账户流动性从数据采集、数据处理、模型计算、预测结果展示。本发明能够加强流动性风险管理能力，更为精准地预测参与者流动性情况。
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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的实施例中的参与者账户流动性预测方法的流程示意图一；
图2为本发明的实施例中的参与者账户流动性预测方法的流程示意图二；
图3为本发明的实施例中的参与者账户流动性预测方法步骤300的流程示意图一；
图4为本发明的实施例中的参与者账户流动性预测方法步骤400的流程示意图；
图5为本发明的实施例中的参与者账户流动性预测方法步骤300的流程示意图二；
图6为本发明的具体应用实例中参与者账户流动性预测方法的流程示意图；
图7为本发明的具体应用实例中参与者账户流动性预测方法的总体架构图；
图8为本发明的具体应用实例中数据处理流程示意图；
图9为本发明的实施例中的参与者账户流动性预测装置的结构示意图一；
图10为本发明的实施例中的参与者账户流动性预测装置的结构示意图二；
图11为本发明的实施例中的参与者账户流动性预测装置中预处理单元结构示意图；
图12为本发明的实施例中的参与者账户流动性预测装置中模型建立单元结构示意图；
图13为本发明的实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，显然，所描述的实施例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作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。
本发明的实施例提供了一种参与者账户流动性预测方法的具体实施方式，参见图1，该方法具体包括如下内容：
步骤100：获取参与者账户的交易数据。
步骤100在实施时，可以利用参与者在支付系统各个子系统的发起、接收金额的差值，得到参与者不同时间段的账户所需资金的净额用于预测。
步骤200：利用所述交易数据以及预先建立的时间序列算法模型对所述参与者账户的流动性进行预测。
可以理解的是，步骤200中的交易数据具有周期性，故建立时间序列算法模型所需要的时间序列算法也应选取周期性的。
从上述描述可知，本发明实施例提供参与者账户流动性预测方法，首先获取参与者账户的交易数据；接着，利用交易数据以及预先建立的时间序列算法模型对参与者账户的流动性进行预测。具体地，本发明基于大数据平台对原始交易数据进行预加工，定时调用开源算法自动对参与者下一天的账户流动性进行预测。利用支付系统真实支付交易业务数据，使用开源算法模型对参与者账户流动性进行预测。可以通过前端应用展示模型预测结果与真实数据的对比情况，通过流动性预测值和真实值的对比，可以对流动性风险进行预判。实现了参与者清算账户流动性从数据采集、数据处理、模型计算、预测结果展示。本发明能够加强流动性风险管理能力，更为精准地预测参与者流动性情况。
一实施例中，参见图2，参与者账户流动性预测方法还包括：
步骤300：对所述交易数据进行预处理。
分别获取到按照小时粒度汇总的支付系统大额、小额、网银系统发起金额数据和接收金额数据。对数据进行探索和观察发现，数据存在零值、异常值，并且汇总金额数据数量级波动较大，在十的九次方和十五次方之间波动，故需要对交易数据进行预处理。
进一步地，参见图3，步骤300包括：
步骤301：按照周期性将所述交易数据进行分类。
可以理解的是，在商业行业中，参与者账户的交易数据具有周期性，因此可将交易数据中的业务模式相同的数据拼接在一起用于预测，具体数据特点具有以下特点：
工作日模式：每周二、周三、周四、周五的系统业务量模式比较类似。其数据波动曲线基本一致。
周一模式：系统业务金额在每个周一都具备相同的业务模式，但在每周一上午9点时间段存在一个业务高峰值。
节假日模式：每个周末和节假日期间只有小额系统和网银系统运行，所以节假日模式下业务量较少。数据波动曲线与工作日不同。
周六及节假日第一天模式：周六及节假日第一天的数据波动曲线与节假日模式类似，但是在上午9点的时间段会存在一个业务高峰值。
按照以上不同的业务模式，可将相同业务模式的数据拼接在一起用于模型训练和预测。
一实施例中，参见图4，建立所述时间序列算法模型的步骤包括：
步骤401：利用SARIMA算法、Prophet算法及/或LSTM算法，根据分类后的交易数据建立所述时间序列算法模型的初始模型。
可以理解的是，SARIMA算法(季节时间序列模型算法)是一种基于线性回归的预测方法，适合于单步样本预测，SARIMA由趋势和季节要素组成的序列构成。任何时间序列在经过合理的函数变换之后，都可以拆分为3项，即趋势项、周期项以及随机项。其中，趋势项反映的是参与者账户流动性的整体走势方向，周期项表示特定时间周期内的流动性变化特定；随即向则考虑的是不确定或者突发条件下产生的流动性的随机信号以及随机噪声，将以上3项的效果叠加，便形成了本实施例的SARIMA算法。
长短时记忆神经网络LSTM(Long Short–Term Memory)是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM产生梯度长时间持续流动的路径是初始LSTM模型的核心贡献。其中一个关键扩展是使自循环的权重视上下文而定，而不是固定的。门控此自循环的权重，累积的时间尺度可以动态地改变。
步骤402：利用网格搜索、贝叶斯优化方法确定所述初始模型的模型参数。
贝叶斯优化方法用于机器学习调参，其主要思想是，给定优化的目标函数(广义的函数，只需指定输入和输出即可，无需知道内部结构以及数学性质)，通过不断地添加样本点来更新目标函数的后验分布(高斯过程,直到后验分布基本贴合于真实分布。简单的说，就是考虑了上一次参数的信息，从而更好的调整当前的参数。
与常规的网格搜索或者随机搜索方法相比，其具有以下有益效果：贝叶斯调参采用高斯过程，考虑之前的参数信息，不断地更新先验；网格搜索未考虑之前的参数信息；贝叶斯调参迭代次数少，速度快；网格搜索速度慢，参数多时易导致维度爆炸；贝叶斯调参针对非凸问题依然稳健；网格搜索针对非凸问题易得到局部最优。
步骤403：根据所述模型参数、所述初始模型以及所述分类后的交易数据建立所述时间序列算法模型。
一实施例，步骤301包括：
步骤3011：以预设时间粒度对所述交易数据进行加工。
优选地，从支付系统各个子系统获取参与者按照小时粒度汇总的发起总金额和接收总金额。
一实施例中，参见图5，步骤300还包括：
步骤302：对零值数据、空值数据以及突变数据进行处理，以生成初始数据。
具体地，对于某个时间段汇总金额为0，表示该时间段该参与者没有交易发生，不用做特殊处理。对于某个时间段汇总金额记录为空，可能是数据采集过程中存在问题，需要补充该时间段汇总金额记录，金额值设置为0。对于某些时间段业务量突然增多，这段时间内的汇总金额数据发生了突变。这些突变点没有规律属于比较独特的业务行为，没有规律，无法进行准确的预测，但是这些数据的存在会对整体预测结果造成偏差，需要对这些值进行替换。优选地，采用同一时间段的平均汇总金额替换突变点的数据。
步骤303：对所述初始数据进行平滑处理。
由于大额支付系统的业务金额较大，基本在十的七次方和十五次方之间波动，因此需要对数据进行平滑或归一化处理。对数据进行取对数操作以平滑数据波动范围。
为进一步地说明本方案，本发明以提供参与者账户流动性预测方法的具体应用实例，该具体应用实例具体包括如下内容，参见图6。
参见图7，基础平台层包括X86服务器部署了MYSQL用于存储模型参数，大数据平台部署HDFS及HIVE库用于存储模型的输入输出数据，以及应用服务器和数据库服务器用于web应用部署。在数据处理层采集各个业务系统的明细数据，通过ETL按照不同场景的时间粒度对明细数据进行汇总加工。在数据分析挖掘层部署了开源算法包，以及应用场景所使用到的模型。在应用层包括了场景的客户端展示功能，以及定时任务配置和流程编排等功能。
S0：将基础数据导入到大数据平台，将数学建模阶段设置的模型参数导入到mysql数据库作为基础数据，将模型对应的python程序部署到生产环境，参见图8。
通过观察数据发现数据具备比较明显的周期性，因此考虑将业务模式相同的数据拼接在一起用于预测。具体数据特点可以分为以下特点：
工作日模式：每周二、周三、周四、周五的系统业务量模式比较类似。其数据波动曲线基本一致。
周一模式：系统业务金额在每个周一都具备相同的业务模式，但在每周一上午9点时间段存在一个业务高峰值。
节假日模式：每个周末和节假日期间只有小额系统和网银系统运行，所以节假日模式下业务量较少。数据波动曲线与工作日不同。
周六及节假日第一天模式：周六及节假日第一天的数据波动曲线与节假日模式类似，但是在上午9点的时间段会存在一个业务高峰值。
因此按照以上不同的业务模式，将相同业务模式的数据拼接在一起用于模型训练和预测。例如如果预测周一的数据，则利用训练集中所有周一数据进行建模。如果预测周四的数据，则利用训练集中周二到周五凭借的数据进行建模。另外还需要部署定时调度脚本以及ETL脚本。
S1：在T日系统停止受理业务后通过前端的定时任务管理功能利用系统定时调起ETL脚本，采集大数据平台上hive保存的原始交易明细数据，并且按照1小时的时间粒度对数据进行加工，形成T日的业务汇总数据。
S2：将业务汇总数据作为模型输入数据，访问mysql获取模型各项参数信息，通过模型得到预测的T+1日的参与者账户预测数据。预测结果数据保存在大数据平台的HIVE中。
在数学建模阶段，由于数据具有典型的周期性，选取SARIMA、Prophet、LSTM算法分别开展建模。利用网格搜索、贝叶斯优化等方法确定模型参数。通过对比，SARIMA和LSTM在模型预测准确率较高，其中SARIMA算法效率也较高。
需要指出的是，步骤S2是在待ETL脚本处理完成后流程调起模型之后进行的。
S3：前端访问大数据平台hive中的预测结果数据，通过绘图的方式绘制出T+1日的流动性预测曲线。
S4：通过大数据平台的spark streaming流式计算功能，实时计算T+1日每小时参与者真实的账户流动性数据。
具体地，待T+1日系统开始营业后，通过大数据平台实时计算T+1日每小时参与者真实的账户流动性数据。
S5：对比预测曲线与真实曲线。
观测参与者目前流动性的情况。如果出现异常可以提示业务人员关注。
从上述描述可知，本发明实施例提供参与者账户流动性预测方法，首先获取参与者账户的交易数据；接着，利用交易数据以及预先建立的时间序列算法模型对参与者账户的流动性进行预测。具体地，本发明基于大数据平台对原始交易数据进行预加工，定时调用开源算法自动对参与者下一天的账户流动性进行预测。利用支付系统真实支付交易业务数据，使用开源算法模型对参与者账户流动性进行预测。可以通过前端应用展示模型预测结果与真实数据的对比情况，通过流动性预测值和真实值的对比，可以对流动性风险进行预判。实现了参与者清算账户流动性从数据采集、数据处理、模型计算、预测结果展示。本发明能够加强流动性风险管理能力，更为精准地预测参与者流动性情况。
基于同一发明构思，本申请实施例还提供了参与者账户流动性预测装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于参与者账户流动性预测装置解决问题的原理与参与者账户流动性预测方法相似，因此参与者账户流动性预测装置的实施可以参见参与者账户流动性预测方法实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本发明的实施例提供一种能够实现参与者账户流动性预测方法的参与者账户流动性预测装置的具体实施方式，参见图9，参与者账户流动性预测装置具体包括如下内容：
交易数据获取单元10，用于获取参与者账户的交易数据；
流动性预测单元20，用于利用所述交易数据以及预先建立的时间序列算法模型对所述参与者账户的流动性进行预测。
一实施例中，参见图10，参与者账户流动性预测装置还包括：预处理单元30，用于对所述交易数据进行预处理，参见图11，预处理单元30包括：
交易数据分类模块301，用于按照周期性将所述交易数据进行分类；
初始数据生成模块302，用于对零值数据、空值数据以及突变数据进行处理，以生成初始数据；
初始数据平滑模块303，用于对所述初始数据进行平滑处理。
一实施例中，参与者账户流动性预测装置还包括：模型建立单元40，用于建立所述时间序列算法模型；参见图12，所述模型建立单元40包括：
初始模型建立模块401，用于利用SARIMA算法、Prophet算法及/或LSTM算法，根据分类后的交易数据建立所述时间序列算法模型的初始模型；
模型参数确定模块402，用于利用网格搜索、贝叶斯优化方法确定所述初始模型的模型参数；
模型建立模块403，用于根据所述模型参数、所述初始模型以及所述分类后的交易数据建立所述时间序列算法模型。
一实施例中，预处理单元具体用于以预设时间粒度对所述交易数据进行加工。
从上述描述可知，本发明实施例提供参与者账户流动性预测装置，首先获取参与者账户的交易数据；接着，利用交易数据以及预先建立的时间序列算法模型对参与者账户的流动性进行预测。具体地，本发明基于大数据平台对原始交易数据进行预加工，定时调用开源算法自动对参与者下一天的账户流动性进行预测。利用支付系统真实支付交易业务数据，使用开源算法模型对参与者账户流动性进行预测。可以通过前端应用展示模型预测结果与真实数据的对比情况，通过流动性预测值和真实值的对比，可以对流动性风险进行预判。实现了参与者清算账户流动性从数据采集、数据处理、模型计算、预测结果展示。本发明能够加强流动性风险管理能力，更为精准地预测参与者流动性情况。
本申请的实施例还提供能够实现上述实施例中的参与者账户流动性预测方法中全部步骤的一种电子设备的具体实施方式，参见图13，电子设备具体包括如下内容：
处理器(processor)1201、存储器(memory)1202、通信接口(CommunicationsInterface)1203和总线1204；
其中，处理器1201、存储器1202、通信接口1203通过总线1204完成相互间的通信；通信接口1203用于实现服务器端设备、获取设备以及用户端设备等相关设备之间的信息传输。
处理器1201用于调用存储器1202中的计算机程序，处理器执行计算机程序时实现上述实施例中的参与者账户流动性预测方法中的全部步骤，例如，处理器执行计算机程序时实现下述步骤：
步骤100：获取参与者账户的交易数据.
步骤200：利用所述交易数据以及预先建立的时间序列算法模型对所述参与者账户的流动性进行预测。
本申请的实施例还提供能够实现上述实施例中的参与者账户流动性预测方法中全部步骤的一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的参与者账户流动性预测方法的全部步骤，例如，处理器执行计算机程序时实现下述步骤：
步骤100：获取参与者账户的交易数据.
步骤200：利用所述交易数据以及预先建立的时间序列算法模型对所述参与者账户的流动性进行预测。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。
Claims (10)
1.一种参与者账户流动性预测方法，其特征在于，包括：
获取参与者账户的交易数据；
利用所述交易数据以及预先建立的时间序列算法模型对所述参与者账户的流动性进行预测。
2.如权利要求1所述的参与者账户流动性预测方法，其特征在于，还包括：对所述交易数据进行预处理，包括：
按照周期性将所述交易数据进行分类。
3.如权利要求2所述的参与者账户流动性预测方法，其特征在于，建立所述时间序列算法模型的步骤包括：
利用SARIMA算法、Prophet算法及/或LSTM算法，根据分类后的交易数据建立所述时间序列算法模型的初始模型；
利用网格搜索、贝叶斯优化方法确定所述初始模型的模型参数；
根据所述模型参数、所述初始模型以及所述分类后的交易数据建立所述时间序列算法模型。
4.如权利要求2所述的参与者账户流动性预测方法，其特征在于，所述按照周期性将所述交易数据进行分类包括：以预设时间粒度对所述交易数据进行加工。
5.如权利要求2所述的参与者账户流动性预测方法，其特征在于，所述对所述交易数据进行预处理还包括：
对零值数据、空值数据以及突变数据进行处理，以生成初始数据；
对所述初始数据进行平滑处理。
6.一种参与者账户流动性预测装置，其特征在于，包括：
交易数据获取单元，用于获取参与者账户的交易数据；
流动性预测单元，用于利用所述交易数据以及预先建立的时间序列算法模型对所述参与者账户的流动性进行预测。
7.如权利要求6所述的参与者账户流动性预测装置，其特征在于，还包括：预处理单元，用于对所述交易数据进行预处理，预处理单元包括：
交易数据分类模块，用于按照周期性将所述交易数据进行分类；
初始数据生成模块，用于对零值数据、空值数据以及突变数据进行处理，以生成初始数据；
初始数据平滑模块，用于对所述初始数据进行平滑处理。
8.如权利要求6所述的参与者账户流动性预测装置，其特征在于，还包括：模型建立单元，用于建立所述时间序列算法模型；所述模型建立单元包括：
初始模型建立模块，用于利用SARIMA算法、Prophet算法及/或LSTM算法，根据分类后的交易数据建立所述时间序列算法模型的初始模型；
模型参数确定模块，用于利用网格搜索、贝叶斯优化方法确定所述初始模型的模型参数；
模型建立模块，用于根据所述模型参数、所述初始模型以及所述分类后的交易数据建立所述时间序列算法模型。
9.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现权利要求1至5任一项所述参与者账户流动性预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至5任一项所述参与者账户流动性预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010563614.6A CN111861544A (zh) | 2020-06-19 | 2020-06-19 | 参与者账户流动性预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010563614.6A CN111861544A (zh) | 2020-06-19 | 2020-06-19 | 参与者账户流动性预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111861544A true CN111861544A (zh) | 2020-10-30 |
Family
ID=72986906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010563614.6A Pending CN111861544A (zh) | 2020-06-19 | 2020-06-19 | 参与者账户流动性预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111861544A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508304A (zh) * | 2020-12-22 | 2021-03-16 | 上海浦东发展银行股份有限公司 | 交易对象流动性预测方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109785137A (zh) * | 2019-01-30 | 2019-05-21 | 国融证券股份有限公司 | 一种预测用户开通信用账户的方法和装置 |
| US20190180375A1 (en) * | 2017-12-12 | 2019-06-13 | Seth Haoting Huang | Financial Risk Forecast System and the Method Thereof |
| CN110246037A (zh) * | 2019-04-19 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 交易特征预测方法、装置、服务器及可读存储介质 |
| CN111127189A (zh) * | 2019-12-23 | 2020-05-08 | 支付宝(杭州)信息技术有限公司 | 流动性预测系统、方法以及装置 |
-
2020
- 2020-06-19 CN CN202010563614.6A patent/CN111861544A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190180375A1 (en) * | 2017-12-12 | 2019-06-13 | Seth Haoting Huang | Financial Risk Forecast System and the Method Thereof |
| CN109785137A (zh) * | 2019-01-30 | 2019-05-21 | 国融证券股份有限公司 | 一种预测用户开通信用账户的方法和装置 |
| CN110246037A (zh) * | 2019-04-19 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 交易特征预测方法、装置、服务器及可读存储介质 |
| CN111127189A (zh) * | 2019-12-23 | 2020-05-08 | 支付宝(杭州)信息技术有限公司 | 流动性预测系统、方法以及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 李丽萍 等: "基于Prophet框架的银行网点备付金预测方法", 《中南大学学报（自然科学版）》, vol. 50, no. 1, pages 76 - 79 * |
| 阿迈德.贝克奥伊: "《大数据与云计算技术研究》", 北京工业大学出版社, pages: 36 - 39 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508304A (zh) * | 2020-12-22 | 2021-03-16 | 上海浦东发展银行股份有限公司 | 交易对象流动性预测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110400021B (zh) | 银行网点现金用量预测方法及装置 | |
| CN110400022B (zh) | 自助柜员机现金用量预测方法及装置 | |
| US11876374B2 (en) | System and method for optimal control of energy storage system | |
| US20200380335A1 (en) | Anomaly detection in business intelligence time series | |
| Chen et al. | Multi-step-ahead crude oil price forecasting using a hybrid grey wave model | |
| CN107025236B (zh) | 清算系统间的数据处理方法及数据清算系统 | |
| US20200134564A1 (en) | Resource Configuration and Management System | |
| US10489865B1 (en) | Framework for cash-flow forecasting | |
| CN111738507A (zh) | 银行清算头寸资金备付量预测方法和装置、设备及介质 | |
| CN113538137A (zh) | 一种基于双图谱融合计算的资金流监控方法及装置 | |
| Nawrocki et al. | Data-driven adaptive prediction of cloud resource usage | |
| CN117010541A (zh) | 时间序列预测方法、装置及存储介质 | |
| WO2022261603A1 (en) | Systems and methods for dynamic cash flow modeling | |
| CN111861544A (zh) | 参与者账户流动性预测方法及装置 | |
| CN113487110A (zh) | 备付金管理方法及装置 | |
| Rahman et al. | To predict customer churn by using different algorithms | |
| CN115375474A (zh) | 信息提示方法、装置及电子设备 | |
| Sarı Ay et al. | Observational data-based quality assessment of scenario generation for stochastic programs | |
| CN113377872A (zh) | 在线系统数据在大数据中心的离线同步方法、装置及设备 | |
| Shibu et al. | Analysing and Visualising trends for Supply Chain Demand Forecasting | |
| CN112905909A (zh) | 数据预测方法、装置、计算机可读存储介质及电子设备 | |
| 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 | |
| CN114519461A (zh) | 交易时间预测方法及装置 | |
| CN112966849B (zh) | 件量预测模型的建立方法、装置以及设备 | |
| US20220398447A1 (en) | Intelligent and adaptive complex event processor for a cloud-based platform |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201030 |