CN112017034A - 一种银行大额存款业务处理方法及装置 - Google Patents

一种银行大额存款业务处理方法及装置 Download PDF

Info

Publication number
CN112017034A
CN112017034A CN202010903887.0A CN202010903887A CN112017034A CN 112017034 A CN112017034 A CN 112017034A CN 202010903887 A CN202010903887 A CN 202010903887A CN 112017034 A CN112017034 A CN 112017034A
Authority
CN
China
Prior art keywords
deposit
interest rate
preset
amount
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.)
Pending
Application number
CN202010903887.0A
Other languages
English (en)
Inventor
黄文强
季蕴青
胡路苹
胡玮
黄雅楠
胡传杰
浮晨琪
李蚌蚌
徐晨敏
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202010903887.0A priority Critical patent/CN112017034A/zh
Publication of CN112017034A publication Critical patent/CN112017034A/zh
Pending legal-status Critical Current

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • General Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种银行大额存款业务处理方法及装置，利用主成分分析法从大额存款历史数据的多个特征中提取出影响大额存款利率的特征，作为大额存款特征。从大额存款历史数据中提取每个预设特征对应的特征值以及大额存款利率，得到大额存款利率预测模型的训练样本集和测试样本集，利用该训练样本集和测试样本集对预设神经网络模型进行训练和验证，得到大额存款利率预测模型。通过将客户的大额存款特征值输入到大额存款利率预测模型，可以得到与大额存款历史利率标准一致的、准确的大额存款利率预测值，系统可以直接根据该大额存款利率预测值为客户办理大额存款业务，提高了大额存款业务处理效率，提升了客户体验。

Description

一种银行大额存款业务处理方法及装置
技术领域
本发明涉及数据处理技术领域，更具体的，涉及一种银行大额存款业务处理方法及装置。
背景技术
银行由于揽储困难，针对大额存款一般都会制定优惠政策，与普通存款不同的是，大额存款的利率不是固定的，如存款金额不同、存款期限、客户信用等因素都会影响大额存款利率。
在实际大额存款业务办理过程中，银行工作人员一般根据经验给客户提供一个与客户存款信息相对应的大额存款利率，客户基于该大额存款利率再进一步与银行工作人员商定最终大额存款利率。
由于银行工作人员提供给客户的大额存款利率依赖银行工作人员的经验，与大额存款历史利率标准很可能不一致，导致提供给客户的大额存款利率准确性较低。客户很可能并不认可该大额存款利率，可能会与银行工作人员反复商讨，无法快速达成一致，从而成功办理大额存款业务，导致目前大额存款业务处理效率低下。
发明内容
有鉴于此，本发明提供了一种银行大额存款业务处理方法及装置，根据大额存款利率预测模型为客户提供与其大额存款特征值相对应的大额存款利率预测值，不需要与客户商定，提高了大额存款业务的处理效率。
为了实现上述发明目的，本发明提供的具体技术方案如下：
一种银行大额存款业务处理方法，包括：
获取客户的大额存款特征值，所述大额存款特征值所对应的每个预设特征为预先根据主成分分析法从大额存款历史数据的多个特征中提取出来的影响大额存款利率的特征；
将所述大额存款特征值输入到大额存款利率预测模型中进行处理，得到大额存款利率预测值，所述大额存款利率预测模型为预先利用训练样本集对预设神经网络模型进行训练，并利用测试样本集对训练后的预设神经网络模型进行验证后得到的，所述训练样本集和所述测试样本集是通过从大额存款历史数据中提取每个所述预设特征对应的特征值以及大额存款利率后得到的；
根据所述大额存款利率预测值为客户办理大额存款业务。
可选的，所述方法还包括：
对预先存储的大额存款历史数据进行预处理；
对预处理后的大额存款历史数据进行标准化处理，生成特征矩阵；
计算所述特征矩阵中特征件的相关系数，生成特征间的相关系数矩阵；
依据所述相关系数矩阵计算每个主成分的特征值与特征向量；
计算每个所述主成分的贡献率，并按贡献率由高到低对所述主成分进行排序，将前N个所述主成分确定为影响大额存款利率的预设特征，N为大于1的正整数。
可选的，所述预设特征包括存款金额、存款期限、资产信息、信用情况、投资信息和基准利率。
可选的，所述方法还包括：
从预先存储的每条大额存款历史数据中提取与每个所述预设特征对应的特征值以及大额存款利率，得到多个样本数据；
将多个样本数据按照预设比例划分为所述训练样本集和所述测试样本集；
利用所述训练样本集对预设神经网络模型进行训练；
利用所述测试样本集对训练后的预设神经网络模型的预测结果进行验证，在训练后的预设神经网络模型的预测结果的准确率大于预设值的情况下，得到所述大额存款利率预测模型。
可选的，在所述利用所述训练样本集对预设神经网络模型进行训练之前，所述方法还包括：
根据所述预设特征的数量对BP神经网络模型的输入层进行配置，并根据利率预测值对BP神经网络模型的输出层进行配置；
采用试凑法确定BP神经网络模型中隐含层的最优数量；
利用遗传算法对BP神经网络模型的权值和阈值进行优化，得到预设神经网络模型。
一种银行大额存款业务处理装置，包括：
存款特征值获取单元，用于获取客户的大额存款特征值，所述大额存款特征值所对应的每个预设特征为预先根据主成分分析法从大额存款历史数据的多个特征中提取出来的影响大额存款利率的特征；
存款利率预测单元，用于将所述大额存款特征值输入到大额存款利率预测模型中进行处理，得到大额存款利率预测值，所述大额存款利率预测模型为预先利用训练样本集对预设神经网络模型进行训练，并利用测试样本集对训练后的预设神经网络模型进行验证后得到的，所述训练样本集和所述测试样本集是通过从大额存款历史数据中提取每个所述预设特征对应的特征值以及大额存款利率后得到的；
存款业务处理单元，用于根据所述大额存款利率预测值为客户办理大额存款业务。
可选的，所述装置还包括预设特征确定单元，具体用于：
对预先存储的大额存款历史数据进行预处理；
对预处理后的大额存款历史数据进行标准化处理，生成特征矩阵；
计算所述特征矩阵中特征件的相关系数，生成特征间的相关系数矩阵；
依据所述相关系数矩阵计算每个主成分的特征值与特征向量；
计算每个所述主成分的贡献率，并按贡献率由高到低对所述主成分进行排序，将前N个所述主成分确定为影响大额存款利率的预设特征，N为大于1的正整数。
可选的，所述预设特征包括存款金额、存款期限、资产信息、信用情况、投资信息和基准利率。
可选的，所述装置还包括预测模型训练单元，所述预测模型训练单元具体用于：
从预先存储的每条大额存款历史数据中提取与每个所述预设特征对应的特征值以及大额存款利率，得到多个样本数据；
将多个样本数据按照预设比例划分为所述训练样本集和所述测试样本集；
利用所述训练样本集对预设神经网络模型进行训练；
利用所述测试样本集对训练后的预设神经网络模型的预测结果进行验证，在训练后的预设神经网络模型的预测结果的准确率大于预设值的情况下，得到所述大额存款利率预测模型。
可选的，所述装置还包括模型优化单元，所述模型优化单元具体用于：
在利用所述训练样本集对预设神经网络模型进行训练之前，根据所述预设特征的数量对BP神经网络模型的输入层进行配置，并根据利率预测值对BP神经网络模型的输出层进行配置；
采用试凑法确定BP神经网络模型中隐含层的最优数量；
利用遗传算法对BP神经网络模型的权值和阈值进行优化，得到预设神经网络模型。
相对于现有技术，本发明的有益效果如下：
本发明公开的一种银行大额存款业务处理方法，利用主成分分析法从大额存款历史数据的多个特征中提取出影响大额存款利率的特征，作为大额存款特征。并通过从大额存款历史数据中提取每个预设特征对应的特征值以及大额存款利率，得到大额存款利率预测模型的训练样本集和测试样本集，利用该训练样本集和测试样本集对预设神经网络模型进行训练和验证，得到一个可以科学、准确预测大额存款利率的大额存款利率预测模型。在此基础上，将客户的大额存款特征值输入到大额存款利率预测模型，可以得到与大额存款历史利率标准一致的、准确的大额存款利率预测值，由于该大额存款利率预测值准确可信，客户不需要与银行工作人员反复商定大额存款利率，系统可以直接根据该大额存款利率预测值为客户办理大额存款业务，提高了大额存款业务处理效率，提升了客户体验。
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银行大额存款业务处理方法的流程示意图；
图2为本发明实施例公开的一种利用主成分分析法确定影响大额存款利率的预设特征的方法的流程示意图；
图3为本发明实施例公开的一种大额存款利率预测模型的创建方法的流程示意图；
图4为本发明实施例公开的一种BP神经网络模型的优化方法的流程示意图；
图5为本发明实施例公开的一种BP神经网络模型的结构示意图；
图6为本发明实施例公开的一种银行大额存款业务处理装置的结构示意图。
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。
本发明提供了一种银行大额存款业务处理方法，应用于大额存款业务处理系统，该系统可以部署在手机银行系统中，也可以部署在网上银行系统中，还可以部署在网点的银行系统中，利用预先训练得到的大额存款利率预测模型为客户提供大额存款利率预测值，客户不需要与银行工作人员反复商定大额存款利率，系统可以直接根据该大额存款利率预测值为客户办理大额存款业务，提高了大额存款业务处理效率，提升了客户体验。
具体的，请参阅图1，本实施例公开的一种银行大额存款业务处理方法包括以下步骤：
S101：获取客户的大额存款特征值，大额存款特征值所对应的每个预设特征为预先根据主成分分析法从大额存款历史数据的多个特征中提取出来的影响大额存款利率的特征；
请参阅图2，利用主成分分析法确定影响大额存款利率的预设特征的方法如下：
S201：对预先存储的大额存款历史数据进行预处理；
大额存款历史数据一般记录在数据库中，可以通过调用数据库的方式获取大额存款历史数据。
大额存款历史数据中的特征即为大额存款数据表中所有字段，如标识、存款人、账号、存款金额、存款期限、资产信息、信用情况、投资信息、基准利率、存款时间等等。
对大额存款历史数据进行预处理包括：
a.对大额存款历史数据进行数据清洗处理，删除没有价值的异常数据和没有意义的字段，如标识等。
b.采用多重插补法对数据清洗处理后存在缺失的数据进行处理，填补缺失的数据。
c.对不同字段的数据进行归一化处理，将不同量纲的数据转化成具有相同量纲的数据，并将不同数量级的数据转化成具有相同数量级的数据，具体可以通过线性函数、对函数、反余切函数等方法对数据进行归一化处理。
S202：对预处理后的大额存款历史数据进行标准化处理，生成特征矩阵；标准化处理即为量化处理，生成特征矩阵如下：
Figure BDA0002660705030000061
其中，p表示历史数据的序号，n表示特征的序号，xpn为第p条历史数据中第n个特征标准化处理后的特征值。
S203：计算特征矩阵中特征件的相关系数，生成特征间的相关系数矩阵；
计算变量间的相关系数的计算公式如下：
Figure BDA0002660705030000062
其中，rij表示特征xi与xj间的相关系数，rij＝rji；
i,j＝1,2,3,...,p。
计算得到的相关系数矩阵如下：
Figure BDA0002660705030000071
S204：依据相关系数矩阵计算每个主成分的特征值与特征向量；
具体的，通过解特征方程|λE-R|＝0，计算出每个主成分的特征值。
其中，E为单位矩阵，λ为主成分的特征值，主成分的数量不大于p。
特征向量计算方法为：
将特征值代入方程λv＝R，其中，λ为特征值，R为相关系数矩阵，ν为特征向量，λ已知，R已知，求解ν。
S205：计算每个主成分的贡献率，并按贡献率由高到低对主成分进行排序，将前N个主成分确定为影响大额存款利率的预设特征，N为大于1的正整数。
具体的，贡献率的计算方法如下：
Figure BDA0002660705030000072
经过实验验证，影响大额存款利率的预设特征包括存款金额、存款期限、资产信息、信用情况、投资信息和基准利率。
其中，资产信息为客户所有资产，投资信息为客户在该银行的投资资产。
S102：将大额存款特征值输入到大额存款利率预测模型中进行处理，得到大额存款利率预测值；
大额存款利率预测模型为预先利用训练样本集对预设神经网络模型进行训练，并利用测试样本集对训练后的预设神经网络模型进行验证后得到的，训练样本集和测试样本集是通过从大额存款历史数据中提取每个预设特征对应的特征值以及大额存款利率后得到的。
具体的，请参阅图3，大额存款利率预测模型的创建方法如下：
S301：从预先存储的每条大额存款历史数据中提取与每个预设特征对应的特征值以及大额存款利率，得到多个样本数据；
S302：将多个样本数据按照预设比例划分为训练样本集和测试样本集；
如按8:2的比例将将多个样本数据按照预设比例划分为训练样本集和测试样本集。
S303：利用训练样本集对预设神经网络模型进行训练；
S304：利用测试样本集对训练后的预设神经网络模型的预测结果进行验证，在训练后的预设神经网络模型的预测结果的准确率大于预设值的情况下，得到大额存款利率预测模型。
如在训练后的预设神经网络模型的预测结果的准确率大于80％的情况下，模型训练结束，在训练后的预设神经网络模型的预测结果的准确率不大于80％的情况下，继续训练预设神经网络模型，直到训练后的预设神经网络模型的预测结果的准确率大于80％，保证大额存款利率预测模型预测结果的准确性，这里的80％仅为举例说明，根据实际情况可以预先设定，在此不做具体限定。
进一步，为了提高模型的训练效率，使预设神经网络模型本身与大额存款利率预测模型更加匹配，可以对BP神经网络模型进行优化，从而得到预设神经网络模型，进而对预设神经网络模型进行训练和验证，以提高模型的训练效率。
具体的，请参阅图4，BP神经网络模型的优化方法如下：
S401：根据预设特征的数量对BP神经网络模型的输入层进行配置，并根据利率预测值对BP神经网络模型的输出层进行配置；
BP神经网络模型如图5所示，包括输入层、隐含层和输出层，为了使BP神经网络模型与大额存款利率预测模型更加匹配，对BP神经网络模型的输入层和输出层进行配置，即将输入层变量的数量设置与预设特征的数量一致，将输出层变量的数量设置为1，即为利率预测值。
S402：采用试凑法确定BP神经网络模型中隐含层的最优数量；
S403：利用遗传算法对BP神经网络模型的权值和阈值进行优化，得到预设神经网络模型。
即通过遗传算法输出的最优个体作为BP神经网络模型初始权值和阈值，在后续训练过程中，初始权值和阈值会发生改变，直到得到满足预设结果准确率要求的模型。
S103：根据大额存款利率预测值为客户办理大额存款业务。
如果客户在柜台办理大额存款业务，会将预测到的大额存款利于预测值输出到柜台的终端，如果客户是利用手机银行办理大额存款业务，会将预测到的大额存款利于预测值输出到客户移动终端。
随着大额存款历史数据的不断增多，大额存款利率预测模型将不断优化。
可见，本实施例公开的一种银行大额存款业务处理方法，利用主成分分析法从大额存款历史数据的多个特征中提取出影响大额存款利率的特征，作为大额存款特征。并通过从大额存款历史数据中提取每个预设特征对应的特征值以及大额存款利率，得到大额存款利率预测模型的训练样本集和测试样本集，利用该训练样本集和测试样本集对预设神经网络模型进行训练和验证，得到一个可以科学、准确预测大额存款利率的大额存款利率预测模型。在此基础上，将客户的大额存款特征值输入到大额存款利率预测模型，可以得到与大额存款历史利率标准一致的、准确的大额存款利率预测值，由于该大额存款利率预测值准确可信，客户不需要与银行工作人员反复商定大额存款利率，系统可以直接根据该大额存款利率预测值为客户办理大额存款业务，提高了大额存款业务处理效率，提升了客户体验。
基于上述实施例公开的一种银行大额存款业务处理方法，本实施例对应公开了一种银行大额存款业务处理装置，请参阅图6，该装置包括：
存款特征值获取单元100，用于获取客户的大额存款特征值，所述大额存款特征值所对应的每个预设特征为预先根据主成分分析法从大额存款历史数据的多个特征中提取出来的影响大额存款利率的特征；
存款利率预测单元200，用于将所述大额存款特征值输入到大额存款利率预测模型中进行处理，得到大额存款利率预测值，所述大额存款利率预测模型为预先利用训练样本集对预设神经网络模型进行训练，并利用测试样本集对训练后的预设神经网络模型进行验证后得到的，所述训练样本集和所述测试样本集是通过从大额存款历史数据中提取每个所述预设特征对应的特征值以及大额存款利率后得到的；
存款业务处理单元300，用于根据所述大额存款利率预测值为客户办理大额存款业务。
可选的，所述装置还包括预设特征确定单元，具体用于：
对预先存储的大额存款历史数据进行预处理；
对预处理后的大额存款历史数据进行标准化处理，生成特征矩阵；
计算所述特征矩阵中特征件的相关系数，生成特征间的相关系数矩阵；
依据所述相关系数矩阵计算每个主成分的特征值与特征向量；
计算每个所述主成分的贡献率，并按贡献率由高到低对所述主成分进行排序，将前N个所述主成分确定为影响大额存款利率的预设特征，N为大于1的正整数。
可选的，所述预设特征包括存款金额、存款期限、资产信息、信用情况、投资信息和基准利率。
可选的，所述装置还包括预测模型训练单元，所述预测模型训练单元具体用于：
从预先存储的每条大额存款历史数据中提取与每个所述预设特征对应的特征值以及大额存款利率，得到多个样本数据；
将多个样本数据按照预设比例划分为所述训练样本集和所述测试样本集；
利用所述训练样本集对预设神经网络模型进行训练；
利用所述测试样本集对训练后的预设神经网络模型的预测结果进行验证，在训练后的预设神经网络模型的预测结果的准确率大于预设值的情况下，得到所述大额存款利率预测模型。
可选的，所述装置还包括模型优化单元，所述模型优化单元具体用于：
在利用所述训练样本集对预设神经网络模型进行训练之前，根据所述预设特征的数量对BP神经网络模型的输入层进行配置，并根据利率预测值对BP神经网络模型的输出层进行配置；
采用试凑法确定BP神经网络模型中隐含层的最优数量；
利用遗传算法对BP神经网络模型的权值和阈值进行优化，得到预设神经网络模型。
本实施例公开的一种银行大额存款业务处理装置，利用主成分分析法从大额存款历史数据的多个特征中提取出影响大额存款利率的特征，作为大额存款特征。并通过从大额存款历史数据中提取每个预设特征对应的特征值以及大额存款利率，得到大额存款利率预测模型的训练样本集和测试样本集，利用该训练样本集和测试样本集对预设神经网络模型进行训练和验证，得到一个可以科学、准确预测大额存款利率的大额存款利率预测模型。在此基础上，将客户的大额存款特征值输入到大额存款利率预测模型，可以得到与大额存款历史利率标准一致的、准确的大额存款利率预测值，由于该大额存款利率预测值准确可信，客户不需要与银行工作人员反复商定大额存款利率，系统可以直接根据该大额存款利率预测值为客户办理大额存款业务，提高了大额存款业务处理效率，提升了客户体验。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
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)

1.一种银行大额存款业务处理方法，其特征在于，包括：
获取客户的大额存款特征值，所述大额存款特征值所对应的每个预设特征为预先根据主成分分析法从大额存款历史数据的多个特征中提取出来的影响大额存款利率的特征；
将所述大额存款特征值输入到大额存款利率预测模型中进行处理，得到大额存款利率预测值，所述大额存款利率预测模型为预先利用训练样本集对预设神经网络模型进行训练，并利用测试样本集对训练后的预设神经网络模型进行验证后得到的，所述训练样本集和所述测试样本集是通过从大额存款历史数据中提取每个所述预设特征对应的特征值以及大额存款利率后得到的；
根据所述大额存款利率预测值为客户办理大额存款业务。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对预先存储的大额存款历史数据进行预处理；
对预处理后的大额存款历史数据进行标准化处理，生成特征矩阵；
计算所述特征矩阵中特征件的相关系数，生成特征间的相关系数矩阵；
依据所述相关系数矩阵计算每个主成分的特征值与特征向量；
计算每个所述主成分的贡献率，并按贡献率由高到低对所述主成分进行排序，将前N个所述主成分确定为影响大额存款利率的预设特征，N为大于1的正整数。
3.根据权利要求2所述的方法，其特征在于，所述预设特征包括存款金额、存款期限、资产信息、信用情况、投资信息和基准利率。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
从预先存储的每条大额存款历史数据中提取与每个所述预设特征对应的特征值以及大额存款利率，得到多个样本数据；
将多个样本数据按照预设比例划分为所述训练样本集和所述测试样本集；
利用所述训练样本集对预设神经网络模型进行训练；
利用所述测试样本集对训练后的预设神经网络模型的预测结果进行验证，在训练后的预设神经网络模型的预测结果的准确率大于预设值的情况下，得到所述大额存款利率预测模型。
5.根据权利要求4所述的方法，其特征在于，在所述利用所述训练样本集对预设神经网络模型进行训练之前，所述方法还包括：
根据所述预设特征的数量对BP神经网络模型的输入层进行配置，并根据利率预测值对BP神经网络模型的输出层进行配置；
采用试凑法确定BP神经网络模型中隐含层的最优数量；
利用遗传算法对BP神经网络模型的权值和阈值进行优化，得到预设神经网络模型。
6.一种银行大额存款业务处理装置，其特征在于，包括：
存款特征值获取单元，用于获取客户的大额存款特征值，所述大额存款特征值所对应的每个预设特征为预先根据主成分分析法从大额存款历史数据的多个特征中提取出来的影响大额存款利率的特征；
存款利率预测单元，用于将所述大额存款特征值输入到大额存款利率预测模型中进行处理，得到大额存款利率预测值，所述大额存款利率预测模型为预先利用训练样本集对预设神经网络模型进行训练，并利用测试样本集对训练后的预设神经网络模型进行验证后得到的，所述训练样本集和所述测试样本集是通过从大额存款历史数据中提取每个所述预设特征对应的特征值以及大额存款利率后得到的；
存款业务处理单元，用于根据所述大额存款利率预测值为客户办理大额存款业务。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括预设特征确定单元，具体用于：
对预先存储的大额存款历史数据进行预处理；
对预处理后的大额存款历史数据进行标准化处理，生成特征矩阵；
计算所述特征矩阵中特征件的相关系数，生成特征间的相关系数矩阵；
依据所述相关系数矩阵计算每个主成分的特征值与特征向量；
计算每个所述主成分的贡献率，并按贡献率由高到低对所述主成分进行排序，将前N个所述主成分确定为影响大额存款利率的预设特征，N为大于1的正整数。
8.根据权利要求7所述的装置，其特征在于，所述预设特征包括存款金额、存款期限、资产信息、信用情况、投资信息和基准利率。
9.根据权利要求6所述的装置，其特征在于，所述装置还包括预测模型训练单元，所述预测模型训练单元具体用于：
从预先存储的每条大额存款历史数据中提取与每个所述预设特征对应的特征值以及大额存款利率，得到多个样本数据；
将多个样本数据按照预设比例划分为所述训练样本集和所述测试样本集；
利用所述训练样本集对预设神经网络模型进行训练；
利用所述测试样本集对训练后的预设神经网络模型的预测结果进行验证，在训练后的预设神经网络模型的预测结果的准确率大于预设值的情况下，得到所述大额存款利率预测模型。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括模型优化单元，所述模型优化单元具体用于：
在利用所述训练样本集对预设神经网络模型进行训练之前，根据所述预设特征的数量对BP神经网络模型的输入层进行配置，并根据利率预测值对BP神经网络模型的输出层进行配置；
采用试凑法确定BP神经网络模型中隐含层的最优数量；
利用遗传算法对BP神经网络模型的权值和阈值进行优化，得到预设神经网络模型。
CN202010903887.0A 2020-09-01 2020-09-01 一种银行大额存款业务处理方法及装置 Pending CN112017034A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010903887.0A CN112017034A (zh) 2020-09-01 2020-09-01 一种银行大额存款业务处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010903887.0A CN112017034A (zh) 2020-09-01 2020-09-01 一种银行大额存款业务处理方法及装置

Publications (1)

Publication Number Publication Date
CN112017034A true CN112017034A (zh) 2020-12-01

Family

ID=73516188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010903887.0A Pending CN112017034A (zh) 2020-09-01 2020-09-01 一种银行大额存款业务处理方法及装置

Country Status (1)

Country Link
CN (1) CN112017034A (zh)

Similar Documents

Publication Publication Date Title
CN108876133B (zh) 基于业务信息的风险评估处理方法、装置、服务器和介质
CN110992167B (zh) 银行客户业务意图识别方法及装置
CN109300029A (zh) 借贷欺诈检测模型训练方法、借贷欺诈检测方法及装置
CN109711955B (zh) 基于当前订单的差评预警方法、系统、黑名单库建立方法
US20070124236A1 (en) Credit risk profiling method and system
CN110930038A (zh) 一种贷款需求识别方法、装置、终端及存储介质
CN106600413A (zh) 欺诈识别方法和系统
CN110765351A (zh) 目标用户识别方法、装置、计算机设备和存储介质
CN115438821A (zh) 一种智能排队方法和相关装置
CN112990989B (zh) 价值预测模型输入数据生成方法、装置、设备和介质
CN111754195A (zh) 信息处理的方法及装置、电子设备及计算机可读存储介质
CN112669154B (zh) 外币兑换业务开办预测实现方法、装置及计算机设备
CN112116358A (zh) 一种交易欺诈行为的预测方法、装置及电子设备
CN111063359B (zh) 电话回访有效性判别方法、装置、计算机设备和介质
CN117333285A (zh) 数据处理方法、装置、存储介质及电子设备
CN116630020A (zh) 风险评估方法、装置、存储介质及电子设备
CN113706258B (zh) 基于组合模型的产品推荐方法、装置、设备及存储介质
CN112017034A (zh) 一种银行大额存款业务处理方法及装置
CN116128339A (zh) 客户信用评估方法及装置、存储介质及电子设备
CN113723525B (zh) 基于遗传算法的产品推荐方法、装置、设备及存储介质
CN107545347B (zh) 用于防控风险的属性确定方法、装置及服务器
CN115293783A (zh) 风险用户识别方法、装置、计算机设备和存储介质
CN110956471A (zh) 装修行业征信数据的分析方法
CN113408923B (zh) 保费催收方法、装置、计算机设备和存储介质
CN113537666B (zh) 评测模型训练方法、评测和业务审核方法、装置及设备

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

Application publication date: 20201201

RJ01 Rejection of invention patent application after publication