CN113723672A - 基于时序特征分解的资金流动性预测方法、装置和电子设备 - Google Patents

Abstract

本发明涉及计算机技术领域，具体涉及基于时序特征分解的资金流动性预测方法、装置和电子设备，包括：获取每个交易产品的历史交易流水数据集；对所述历史交易流水数据集进行处理，得到资金流入数据序列；根据所述资金流入数据序列，结合三次指数平滑法得到资金流入预测模型；对所述历史交易流水数据集相对应的客户进行客户群体分层，统计不同客户群体资金流出的概率时序分布图，得到资金流出预测模型；结合所述资金流入预测模型和所述资金流出预测模型，得到资金流动性预测结果。本发明利用大数据分析、客户群体分层、分布统计和周期分解等方法，实现对互联网资金的流动性预测，预测精度高，能针对即将发生的流动性风险进行提前干预操作。

Description

基于时序特征分解的资金流动性预测方法、装置和电子设备

技术领域

本发明涉及计算机技术领域，尤其涉及基于时序特征分解的资金流动性预测方法、装置和电子设备。

背景技术

根据2021年最新的“中国银保监会”的监管管理办法，商业银行需要进一步加强流动性风险管理，维护商业银行的体系安全稳健运行。

从内部运营的角度来看，针对互联网数字零售领域的线上存款，通过有效的模型和工具对其进行流动性的计量监测、预测控制，及时有效的识别风险并进行提前干预和应急处置，是主动性管理体系的重要任务。

从计财管理的角度来看，通过对整个业务的流动性量化预测，对未来资金流的趋势进行预判，及时提供流动性资金准备，满足银行内部流动性需求和监管对资产负债指标的要求。

但想要设计一个针对互联网零售存款的流动性预测模型，传统的方法可能不适用。这主要是由于，相较于传统线下网点的存款业务，互联网零售存款业务的客户群体的行为和特点不太一样。互联网零售存款客户往往呈现出以下几点规律：

(1)相较于传统业务网点，互联网存款客户的规模要更加庞大。

(2)客户收支意愿的行为特征分布比较发散。

(3)客户群体在地域上的分布发散，从一线城市到五线城市都有分布。

(4)用户黏度底，对存款收益率非常敏感。

(5)多数客户在交易行为上存在小额高频的规律。

所以相比于传统业务，互联网零售存款业务的流动性预测与主动管理拥有一定的难度。

传统的针对存款流动性管理的方法往往是被动的。只有在等到流动性真正暴露出问题后再进行干预，进行补充流动性的相应操作。这种方法的弊端很明显，即存在严重的滞后性和不及时性，导致流动性波动剧烈，操作成本也往往很高。

另一方面，目前业界针对存款流动性进行主动管理的体系主要来源于传统的业务场景。这部分存款的业务场景往往发生在线下网点，有很明显的地域特征和稳定性。针对这类业务场景，使用基于统计学和趋势预测的模型就可以满足要求。但是针对线上互联网零售存款，海量的用户分布在全国各地，存单频繁且多为小的金额，对利率敏感且用户黏性低，收支特征也差异很大。在这种情况下使用简单粗暴的统计学方法很难得出一个效果优良的流动性预测模型。

针对互联网零售渠道的线上存款业务，无论从业务风控，计财管理，还是银保监会监管指标来看，都存在流动性管理的需求。由于互联网客户群体非常庞大且分布发散，存取行为又受多重因素影响，所以在这里有必要引入针对线上存款的流动性预测模型和主动干预体系。

整套流动性主动管理体系的核心是如何构建一个针对线上存款的流动性预测模型。互联网零售渠道下的客户群体分布差异较大而且繁杂，用户收支意愿又随着多种因素的变化而变化。如何构建一个结果准确、稳定、且指标没有滞后性的流动性预测模型，是需要解决的技术难点。

发明内容

本发明提供了基于时序特征分解的资金流动性预测方法、装置和电子设备，用以提高资金流动性预测精度，能针对即将发生的流动性风险进行提前干预操作。

本说明书实施例提供基于时序特征分解的资金流动性预测方法，包括：

获取每个交易产品的历史交易流水数据集；

对所述历史交易流水数据集进行处理，得到资金流入数据序列；

根据所述资金流入数据序列，结合三次指数平滑法得到资金流入预测模型；

对所述历史交易流水数据集相对应的客户进行客户群体分层，统计不同客户群体资金流出的概率时序分布图，得到资金流出预测模型；

通过所述资金流入预测模型预测目标产品在预设时间段内的资金流入，得到资金流入预测结果；

将当前时间点所有的存单持仓、所述资金流入预测结果输入所述资金流出预测模型，得到资金流出预测结果；

对每个交易产品的所述资金流入预测结果、所述资金流出预测结果进行汇总，得到资金流动性预测结果。

优选的，还包括：

判断所述资金流动性预测结果是否存在资金流动性风险；

当所述资金流动性预测结果存在资金流动性风险时，实施干预措施。

优选的，所述对所述历史交易流水数据集进行处理，包括：

对所述历史交易流水数据集中的所有交易数据进行聚合，计算历史每天资金流入金额；

将所述历史每天资金流入金额按照时间顺序排布。

优选的，所述对所述历史交易流水数据集相对应的客户进行客户群体分层，包括：

对所述历史交易流水数据集中的所有交易数据进行客户级别的聚合，计算每个客户的交易属性特征；

采用RFM模型或无监督学习的聚类算法，结合所述交易属性特征对客户群体分层。

优选的，在所述统计不同客户群体资金流出的概率时序分布图之前，包括：

按照不同客户群体切分所述历史交易流水数据集中的所有交易数据；

对切分后的所述历史交易流水数据集中的所有交易数据进行周期性时序特征分解。

优选的，所述得到资金流出预测模型，包括：

对不同客户群体资金流出的概率时序分布图进行去噪、平滑处理，得到最终的不同客户群体资金流出的概率时序分布图；

将最终的不同客户群体资金流出的概率时序分布图进行合并，得到资金流出预测模型。

优选的，一个所述资金流入预测模型对应一个交易产品，一个所述资金流出预测模型对应一个交易产品下的一个客户分群。

本说明书实施例还提供基于时序特征分解的资金流动性预测装置，包括：

数据集获取模块，用于获取每个交易产品的历史交易流水数据集；

数据集处理模块，用于对所述历史交易流水数据集进行处理，得到资金流入数据序列；

第一模型生成模块，用于根据所述资金流入数据序列，结合三次指数平滑法得到资金流入预测模型；

第二模型生成模块，用于对所述历史交易流水数据集相对应的客户进行客户群体分层，统计不同客户群体资金流出的概率时序分布图，得到资金流出预测模型；

资金流入预测模块，用于通过所述资金流入预测模型预测目标产品在预设时间段内的资金流入，得到资金流入预测结果；

资金流出预测模块，用于将当前时间点所有的存单持仓、所述资金流入预测结果输入所述资金流出预测模型，得到资金流出预测结果；

资金流动性预测模块，用于对每个交易产品的所述资金流入预测结果、所述资金流出预测结果进行汇总，得到资金流动性预测结果。

一种电子设备，其中，该电子设备包括：

处理器以及存储计算机可执行程序的存储器，所述可执行程序在被执行时使所述处理器执行上述任一项所述的方法。

一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述任一项所述的方法。

本发明大数据分析、客户群体分层、机器学习、分布统计和周期分解等方法，实现对互联网资金的流动性预测，预测精度高，预测效果可靠、稳定，能针对即将发生的流动性风险进行提前干预操作。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本说明书实施例提供的基于时序特征分解的资金流动性预测方法的原理示意图；

图2为本说明书实施例提供的基于时序特征分解的资金流动性预测装置的结构示意图；

图3为本说明书实施例提供的存款持有时间和支取概率的关系分布图；

图4为本说明书实施例提供的资金流出预测模型构建流程图；

图5为本说明书实施例提供的一种电子设备的结构示意图；

图6为本说明书实施例提供的一种计算机可读介质的原理示意图。

具体实施方式

现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。

在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。

在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。

附图中所示的图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。

参照图1为本说明书实施例提供的基于时序特征分解的资金流动性预测方法的原理示意图，包括：

S101：获取每个交易产品的历史交易流水数据集；

在本发明较佳的实施例中，在构建模型之前，需要收集构建模型所需要的历史交易流水数据。这里的交易流水数据主要包括用户的基础画像信息，存款产品编号，交易日期，购买还是支取，交易金额等等信息。

然后对这些历史交易流水数据，根据存款产品编号把它们分成若干组。每一组的数据针对一个特定的存款产品。比如这里的互联网零售存款产品一共有下述5个：

(1)存款产品A(日常产品，每一个月付息)；

(2)存款产品B(日常产品，每两个月付息)；

(3)存款产品C(日常产品，每四个月付息)；

(4)存款产品D(营销不定期投放，每一个月付息，存满15天赠送权益)；

(5)存款产品E(营销不定期投放，每两个月付息，存满30天赠送权益)；则分组后，将获得5组交易流水数据。

S102：对所述历史交易流水数据集进行处理，得到资金流入数据序列；

在本发明较佳的实施例中，使用上述步骤中生成的5组交易流水数据构建5个不同的流入预测模型，一个存款产品对应一个流入预测模型。即：针对每个特定的存款产品，单独构建与之对应的“流入预测模型”。

假设我们针对存款产品A构建对应的资金流入预测模型。首先对存款产品A的所有交易流水进行聚合操作，计算出历史上每天的存款购买金额的总量，即存款产品A的每日流入金额。这些历史每日流入额就组成了一个按照时间先后顺序排布的数据序列(单位为：日)。

定义历史上每日流入金额的数据序列为：

seq_IN＝x₁,x₂,x₃，…，x_i，…，x_n；

其中，i是整数，值域范围在1到n之间。x_i是存款产品A在某一天的流入金额；x₁是历史上该产品刚上线第一天的流入金额；x₂是历史上产品上线第二天的流入金额；x_n是距离当前时间点最近一天发生的流入金额。

S103：根据所述资金流入数据序列，结合三次指数平滑法得到资金流入预测模型；

在本发明较佳的实施例中，然后使用三次指数平滑法，以上述数据序列seq_IN作为模型的训练数据，构建存款产品A对应的资金流入预测模型。

三次指数平滑法的公式如下：

s_i＝α×(x_i-p_i-k)+(1-α)×(s_i-1+t_i-1) (1)

t_i＝β×(s_i-s_i-1)+(1-β)×t_i-1 (2)

p_i＝γ×(x_i-s_i)+(1-γ)×p_i-k (3)

其中：s_i是描述基础残差的分解项，t_i是描述趋势残差的分解项，p_i是描述周期变化的分解项，k是周期长度，由于购买行为以“七天”为单位周期波动，这里取k＝7，α、β、γ是超参数，它们都是小数，值域范围在0.0到1.0之间。

接着使用模型验证的传统方法学，配合网格搜索方法来确定超参数α,β,γ的大小。一旦这三个超参数确定下来后，将固定死它们的大小，从而在之后的模型预测阶段始终保持不变。

最后使用公式(1)、(2)、(3)按照时间序列逐个递推，就可以预测未来一段时间的存款流入了。预测公式如下：

x_i+h＝s_i+h×t_i+p_i-k+h (4)

其中：h是要预测的未来多少个周期，比如要预测明天的结果，设定h＝1；要预测后天的结果，设定h＝2；要预测一周后的结果，设定h＝7。

至此针对存款产品A构建对应的资金流入预测模型完成了，以此类推，使用类似的方法，对存款产品B、存款产品C、存款产品D和存款产品E也进行资金流入预测模型的构建，从而完成对所有存款产品的资金流入预测模型的构建。

S104：对所述历史交易流水数据集相对应的客户进行客户群体分层，统计不同客户群体资金流出的概率时序分布图，得到资金流出预测模型；

在本发明较佳的实施例中，针对上述提到的5个不同的存款产品，利用每个存款产品的交易流水数据，对购买过这个存款产品的所有客户进行客户群体分层的处理。然后针对每个产品产生出来的一个个独立客户群体分别进行资金流出预测模型的单独构建。

以存款产品A为例，首先对存款产品A的所有交易流水数据进行客户级别的聚合，接着计算每个客户的交易属性特征。对于每个客户，所需生成的四个特征如下：

(1)客户最近一次交易时间；

(2)客户最近一年的交易次数；

(3)客户每次交易的平均金额；

(4)客户截至目前为止的持仓余额；

基于上述4个特征，使用RFM模型方法或者无监督学习的聚类算法(比如kmeans算法)对客户群体进行分层，将存款产品A的所有客户分成多个不同的客户群体。其中RFM(Recency Frenquency Monetary，客户关系管理)模型是衡量客户价值和客户创利能力的重要工具和手段。在众多的客户关系管理的分析模式中，RFM模型是被广泛提到的。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱这3项指标来描述该客户的价值状况。

由于存款产品A的付息周期是一个月，即存款存满一个月后，就会发生利息的支付，这个利息较高；而如果客户没有存满一个月就提前支取的话，则参考的利率会降级成活期利率，所支付的利息将会变得很低。基于上述事实，客户在一个月内支取这笔存款的概率很低；只有到存满一个月后(即付息发生后)，才会出现较大概率的存款支取行为。综上所述，客户支取存款的概率在时间分布上有很强的周期性。支取存款的概率分布图基本按照30天左右的时间周期出现脉冲式的概率分布，且分布本身比较稳定。存款持有时间和支取概率的关系分布图如图3所示。

基于上述存款持有时间在概率分布上有极强的周期性且分布稳定的事实，对存款产品A下的每个客户群体进行单独的“支取概率分布函数”的统计与计算。然后对每个支取概率分布函数使用高斯过滤进行去噪、平滑处理。这里的支取概率分布函数是一个以“时间”为输入，“支取概率”为输出的函数。支取概率分布函数的定义如下：

p＝PROB_{A_x}(t) (5)

其中，t是指客户在买入存款产品A后持有的时间，单位为天；A_x是指存款产品A下面的某个客户群体x，假设存款产品A有3个客户群体，则这里将有三个支取概率分布函数要产生，每个函数对应一个单独的客户群体，分别是:PROB_{A_1}(t)，PROB_{A_2}(t)，PROB_{A_3}(t)；p是客户持有存款产品t日后的支取概率，取值范围是0％到100％。

最终将这些支取概率函数合并在一起，就组成了存款产品A的资金流出预测模型。至此存款产品A的资金流出预测模型的构建过程描述完毕。构建过程的流程图请参见图4。另外四个存款产品(产品B，产品C，产品D和产品E)的流出预测模型的构建过程和存款产品A完全类似，在此不重复叙述。

S105：通过所述资金流入预测模型预测目标产品在预设时间段内的资金流入，得到资金流入预测结果；

在本发明较佳的实施例中，在模型都构建完成之后，利用这些构建的模型进行未来一段时间的流动性预测，假设我们要预测未来D天的流动性的状况。这里的D可以是一天(D＝1)，也可以是一周(D＝7)，或者一个月(D＝30)。但是不建议取更长的时间周期来预测，因为像“未来三个月”甚至“未来半年”这种大跨度的时间周期会导致预测结果非常不准，偏差很大。

具体为调用构建的资金流入预测模型对未来D天的流入金额进行预测，针对每个产品，利用公式(4)来分别计算“未来D天”当中的每一天的流入金额的大小。

S106：将当前时间点所有的存单持仓、所述资金流入预测结果输入所述资金流出预测模型，得到资金流出预测结果；

在本发明较佳的实施例中，预测资金流出金额主要是通过考察存单的支取概率，然后计算支取期望值来预估流出金额的，即支取期望值等于预测的资金流出金额。其中存单还分为两部分：第一部分是现有持仓的存单；第二部分是资金流入预测模型虚拟出来的存单。对于前者，我们可以轻松的调用客户群体分层算法来确定每张存单的客户所对应的客户群体；而对于后者，我们还需要根据历史上每个客户群体在全体客户上的占比情况来预估每个客户群体大概有多少流出金额。最后根据不同产品的不同客户群体去调用构建的资金流出预测模型中的支取概率函数，即公式(5)，来计算未来D天的资金流出金额。

S107：对每个交易产品的所述资金流入预测结果、所述资金流出预测结果进行汇总，得到资金流动性预测结果。

在本发明较佳的实施例中，将不同产品不同客户群体的流动性金额(流入和流出)全部汇总在一起，产生“互联网零售存款产品”总体的流动性预测结果。把上述流动性预测的计算过程制作成定时自动运行的脚本，每周自动计算并绘制流动性预测报表，然后呈现在监控系统上，便于进行客户管理。

进一步地，还包括：

判断所述资金流动性预测结果是否存在资金流动性风险；

当所述资金流动性预测结果存在资金流动性风险时，实施干预措施。

在本发明较佳的实施例中，如果资金流动性预测结果显示未来一段时间内，线上存款余额可能暴露出流动性风险，则及时启动提前干预手段。干预的手段主要包括：提前主动触达客户进行沟通和劝导、引导有支取意愿的客户继续保留现有的存款产品、增加营销力度拉动新客户购买存款产品、利用促销营销手段拉动那些长期流失的老客户重新购买存款产品、同业拆借等。通过上述方式实现对即将发生的流动性风险进行及时管控。

进一步地，所述对所述历史交易流水数据集进行处理，包括：

对所述历史交易流水数据集中的所有交易数据进行聚合，计算历史每天资金流入金额；

将所述历史每天资金流入金额按照时间顺序排布。

在本发明较佳的实施例中，由于不同的“互联网零售存款产品”的特征属性不同，所以这里针对不同产品需要单独构建不同的流入预测模型。针对某一只特定的互联网零售存款产品，抓取过去一段时间的历史交易流水数据。然后以天为单位，统计历史上每日的流入资金额，并按照时间顺序排布历史上每日的流入资金额。通过上述方式得到资金流入预测模型的训练数据集。

进一步地，所述对所述历史交易流水数据集相对应的客户进行客户群体分层，包括：

对所述历史交易流水数据集中的所有交易数据进行客户级别的聚合，计算每个客户的交易属性特征；

采用RFM模型或无监督学习的聚类算法，结合所述交易属性特征对客户群体分层。

在本发明较佳的实施例中，由于不同的“互联网零售存款产品”的付息周期不同，利率也不同，且客户的特征也各不相同(比如产品偏好，交易金额和频率，存款利率敏感性等)，导致了不同产品下的不同客群在时间周期上的支取规律并不相同，所以针对不同存款产品下的不同客群，分别进行资金流出预测模型的单独建模。

首先将所有的交易流水数据按照不同产品进行分割，然后针对某个特定的存款产品，使用RFM模型对客户进行分层，将全体客户分割成不同的客群。

进一步地，在所述统计不同客户群体资金流出的概率时序分布图之前，包括：

按照不同客户群体切分所述历史交易流水数据集中的所有交易数据；

对切分后的所述历史交易流水数据集中的所有交易数据进行周期性时序特征分解。

进一步地，所述得到资金流出预测模型，包括：

对不同客户群体资金流出的概率时序分布图进行去噪、平滑处理，得到最终的不同客户群体资金流出的概率时序分布图；

将最终的不同客户群体资金流出的概率时序分布图进行合并，得到资金流出预测模型。

在本发明较佳的实施例中，针对某个特定存款产品下的某个特定客群，根据历史交易流水数据，统计用户在购买此特定产品后，赎回该存款的概率在时间上的分布情况，并且提取相应的时序周期特征。最后使用时序周期特征来构建这个特定存款产品下的特定客群的资金流出预测模型。

进一步地，一个所述资金流入预测模型对应一个交易产品，一个所述资金流出预测模型对应一个交易产品下的一个客户分群。

在本发明较佳的实施例中，资金流入预测模型和资金流出预测模型具有滞后性小，效果可靠、稳定，且预测精度较高的优点。

在本发明较佳的实施例中，步骤1，产品交易流水数据集的构建；步骤2，资金流入预测模型的构建；步骤3，资金流出预测模型的构建；步骤4，资金流动性预测的计算；步骤5，资金流动性监控与资金流动性主动干预。

步骤1可以参考上述实施例中对“获取每个交易产品的历史交易流水数据集；”的描述，步骤2可以参考上述实施例中对“对所述历史交易流水数据集进行处理，得到资金流入数据序列；根据所述资金流入数据序列，结合三次指数平滑法得到资金流入预测模型；”的描述，步骤3可以参考上述实施例中对“对所述历史交易流水数据集相对应的客户进行客户群体分层，统计不同客户群体资金流出的概率时序分布图，得到资金流出预测模型；”的描述，步骤4可以参考上述实施例中对“通过所述资金流入预测模型预测目标产品在预设时间段内的资金流入，得到资金流入预测结果；将当前时间点所有的存单持仓、所述资金流入预测结果输入所述资金流出预测模型，得到资金流出预测结果；对每个交易产品的所述资金流入预测结果、所述资金流出预测结果进行汇总，得到资金流动性预测结果。”的描述，步骤5可以参考上述实施例中对“判断所述资金流动性预测结果是否存在资金流动性风险；当所述资金流动性预测结果存在资金流动性风险时，实施干预措施。”的描述。

图2为本说明书实施例提供的基于时序特征分解的资金流动性预测装置的结构示意图，包括：

数据集获取模块201，用于获取每个交易产品的历史交易流水数据集；

数据集处理模块202，用于对所述历史交易流水数据集进行处理，得到资金流入数据序列；

第一模型生成模块203，用于根据所述资金流入数据序列，结合三次指数平滑法得到资金流入预测模型；

第二模型生成模块204，用于对所述历史交易流水数据集相对应的客户进行客户群体分层，统计不同客户群体资金流出的概率时序分布图，得到资金流出预测模型；

资金流入预测模块205，用于通过所述资金流入预测模型预测目标产品在预设时间段内的资金流入，得到资金流入预测结果；

资金流出预测模块206，用于将当前时间点所有的存单持仓、所述资金流入预测结果输入所述资金流出预测模型，得到资金流出预测结果；

资金流动性预测模块207，用于对每个交易产品的所述资金流入预测结果、所述资金流出预测结果进行汇总，得到资金流动性预测结果。

进一步地，还包括：

分风险判断模块，用于判断所述资金流动性预测结果是否存在资金流动性风险；

干预模块，用于当所述资金流动性预测结果存在资金流动性风险时，实施干预措施。

进一步地，所述数据集处理模块202包括：

第一计算单元，对所述历史交易流水数据集中的所有交易数据进行聚合，计算历史每天资金流入金额；

排布单元，将所述历史每天资金流入金额按照时间顺序排布。

进一步地，所述第二模型生成模块204包括：

第二计算单元，对所述历史交易流水数据集中的所有交易数据进行客户级别的聚合，计算每个客户的交易属性特征；

分层单元，采用RFM模型或无监督学习的聚类算法，结合所述交易属性特征对客户群体分层；

处理单元，对不同客户群体资金流出的概率时序分布图进行去噪、平滑处理，得到最终的不同客户群体资金流出的概率时序分布图；

合并单元，将最终的不同客户群体资金流出的概率时序分布图进行合并，得到资金流出预测模型。

本发明实施例的装置的功能已经在上述的方法实施例中进行了描述，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。

基于同一发明构思，本说明书实施例还提供一种电子设备。

下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。

参照图5为本说明书实施例提供的一种电子设备的结构示意图。下面参照图5来描述根据本发明该实施例的电子设备300。图5显示的电子设备300仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于：至少一个处理单元310、至少一个存储单元320、连接不同装置组件(包括存储单元320和处理单元310)的总线330、显示单元340等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元310执行，使得所述处理单元310执行本说明书上述处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元310可以执行如图1所示的步骤。

所述存储单元320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(ROM)3203。

所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205包括但不限于：操作装置、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备300也可以与一个或多个外部设备400(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备300交互的设备通信，和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。并且，电子设备300还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器360可以通过总线330与电子设备300的其它模块通信。应当明白，尽管图5中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID装置、磁带驱动器以及数据备份存储装置等。

通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：如图1所示的方法。

参照图6为本说明书实施例提供的一种计算机可读介质的原理示意图。

实现图1所示方法的计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

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。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.基于时序特征分解的资金流动性预测方法，其特征在于，包括：

获取每个交易产品的历史交易流水数据集；

对所述历史交易流水数据集进行处理，得到资金流入数据序列；

根据所述资金流入数据序列，结合三次指数平滑法得到资金流入预测模型；

对所述历史交易流水数据集相对应的客户进行客户群体分层，统计不同客户群体资金流出的概率时序分布图，得到资金流出预测模型；

通过所述资金流入预测模型预测目标产品在预设时间段内的资金流入，得到资金流入预测结果；

将当前时间点所有的存单持仓、所述资金流入预测结果输入所述资金流出预测模型，得到资金流出预测结果；

对每个交易产品的所述资金流入预测结果、所述资金流出预测结果进行汇总，得到资金流动性预测结果。

2.如权利要求1所述的基于时序特征分解的资金流动性预测方法，其特征在于，还包括：

判断所述资金流动性预测结果是否存在资金流动性风险；

当所述资金流动性预测结果存在资金流动性风险时，实施干预措施。

3.如权利要求1所述的基于时序特征分解的资金流动性预测方法，其特征在于，所述对所述历史交易流水数据集进行处理，包括：

对所述历史交易流水数据集中的所有交易数据进行聚合，计算历史每天资金流入金额；

将所述历史每天资金流入金额按照时间顺序排布。

4.如权利要求1所述的基于时序特征分解的资金流动性预测方法，其特征在于，所述对所述历史交易流水数据集相对应的客户进行客户群体分层，包括：

对所述历史交易流水数据集中的所有交易数据进行客户级别的聚合，计算每个客户的交易属性特征；

采用RFM模型或无监督学习的聚类算法，结合所述交易属性特征对客户群体分层。

5.如权利要求4所述的基于时序特征分解的资金流动性预测方法，其特征在于，在所述统计不同客户群体资金流出的概率时序分布图之前，包括：

按照不同客户群体切分所述历史交易流水数据集中的所有交易数据；

对切分后的所述历史交易流水数据集中的所有交易数据进行周期性时序特征分解。

6.如权利要求1所述的基于时序特征分解的资金流动性预测方法，其特征在于，所述得到资金流出预测模型，包括：

对不同客户群体资金流出的概率时序分布图进行去噪、平滑处理，得到最终的不同客户群体资金流出的概率时序分布图；

将最终的不同客户群体资金流出的概率时序分布图进行合并，得到资金流出预测模型。

7.如权利要求1所述的基于时序特征分解的资金流动性预测方法，其特征在于，一个所述资金流入预测模型对应一个交易产品，一个所述资金流出预测模型对应一个交易产品下的一个客户分群。

8.基于时序特征分解的资金流动性预测装置，其特征在于，包括：

数据集获取模块，用于获取每个交易产品的历史交易流水数据集；

数据集处理模块，用于对所述历史交易流水数据集进行处理，得到资金流入数据序列；

第一模型生成模块，用于根据所述资金流入数据序列，结合三次指数平滑法得到资金流入预测模型；

第二模型生成模块，用于对所述历史交易流水数据集相对应的客户进行客户群体分层，统计不同客户群体资金流出的概率时序分布图，得到资金流出预测模型；

资金流入预测模块，用于通过所述资金流入预测模型预测目标产品在预设时间段内的资金流入，得到资金流入预测结果；

资金流出预测模块，用于将当前时间点所有的存单持仓、所述资金流入预测结果输入所述资金流出预测模型，得到资金流出预测结果；

资金流动性预测模块，用于对每个交易产品的所述资金流入预测结果、所述资金流出预测结果进行汇总，得到资金流动性预测结果。

9.一种电子设备，其中，该电子设备包括：

处理器以及存储计算机可执行程序的存储器，所述可执行程序在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-7中任一项所述的方法。

Images