CN114970932A - 基于神经网络的交易规模预测方法及装置 - Google Patents

基于神经网络的交易规模预测方法及装置 Download PDF

Info

Publication number
CN114970932A
CN114970932A CN202210139470.0A CN202210139470A CN114970932A CN 114970932 A CN114970932 A CN 114970932A CN 202210139470 A CN202210139470 A CN 202210139470A CN 114970932 A CN114970932 A CN 114970932A
Authority
CN
China
Prior art keywords
day
transaction
transaction amount
neural network
prediction
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
CN202210139470.0A
Other languages
English (en)
Inventor
李适
翁泉
舒冲
林燕
孙小羽
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.)
China Unionpay Co Ltd
Original Assignee
China Unionpay 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 China Unionpay Co Ltd filed Critical China Unionpay Co Ltd
Priority to CN202210139470.0A priority Critical patent/CN114970932A/zh
Publication of CN114970932A publication Critical patent/CN114970932A/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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Accounting & Taxation (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于神经网络的交易规模预测方法及其预测装置。该方法包括：获取步骤，获取待预测机构的T日的实际余额；预测步骤，根据该T日前的N日的每日交易金额利用规定的预测模型预测得到该T日的预测交易金额，其中，所述规定的预测模型预先建立N日的每日交易金额与预测交易金额之间的对应关系，N为自然数；以及比较步骤，比较所述T日的实际余额和所述T日的预测交易金额之间的差额。在本发明中，通过利用基于神经网络的算法，借助现有的网络机构的交易数据，实现对委托机构总体交易规模预测，并且能够基于预测结果，要求委托机构及时补充保证金账户头寸，由此能够降低了委托机构的资金流动性压力，从而实现账户余额动态管理。

Description

基于神经网络的交易规模预测方法及装置
技术领域
本发明涉及计算技术，具体地涉及基于神经网络的交易规模预测方法以及基于神经网络的交易规模预测装置。
背景技术
委托清算业务是指委托机构与服务机构签署委托清算协议，被委托方依据委托清算协议将委托机构的跨行交易资金轧差金额划拨给服务机构，再由服务机构向委托机构指定账户进行资金清算。其中，委托机构是指参与跨行交易清算但无法直接接入人民银行现代化支付系统的机构，主要包括城商行、农商行、村镇银行、收单或发卡专业服务机构等。服务机构指符合业务资质并向机构提供交易资金委托清算服务的机构。
当前，绝大多数服务机构为委托机构设置保证金账户，委托机构需提前在保证金账户存入固定数额的保证金，当机构账户余额小于预警金额时，通知机构补充担保金。当委托机构保证金账户头寸不足，服务机构发生垫资时，服务机构向委托机构收取相应罚息。
现有技术存在的缺点或问题例如包括：
(1)为避免发生垫资，服务机构往往会要求委托机构存入高额的保证金，很大程度上提高了委托机构的资金周转压力，机构体验较差；
(2)个别委托机构交易规模变动较大，当前无法精准地根据交易规模波动动态调整委托机构保证金，仅通过设立固定的预警额度难以降低服务机构垫资风险。
发明内容
鉴于上述问题，本发明旨在提出一种能够准确并且动态地预测交易规模的基于神经网络的交易规模预测方法以及基于神经网络的交易规模预测装置。
本发明一方面的基于神经网络的交易规模预测方法，其特征在于，包括：
获取步骤，获取待预测机构的T日的实际余额；
预测步骤，根据该T日前的N日的每日交易金额利用规定的预测模型预测得到该T日的预测交易金额，其中，所述规定的预测模型预先建立N日的每日交易金额与预测交易金额之间的对应关系，N为自然数；以及
比较步骤，比较所述T日的实际余额和所述T日的预测交易金额之间的差额。
可选地，在所述比较步骤之后进一步包括：
修正步骤，获取该T日的实际交易金额，基于所述T日的实际交易金额和所述T日的预测交易金额来修正所述预测模型。
可选地，所述规定的预测模型为LSTM模型。
可选地，所述预测模型基于该T日前的N日的每日交易金额以及影响因子数据构成。
可选地，所述影响因子数据包括以下一项或者多项：
是否为法定假日；
历史交易峰值；
历史交易均值；以及
规定期限内交易总规模。
可选地，所述预测模型通过以下方式训练而成：
取M家机构的历史交易金额作为初始训练样本数据，M为自然数；
对于所述初始训练样本数据进行数据预处理之后进行数据归一化处理得到数据集；
按照规定比例将所述数据集分为训练集和测试集；以及
基于所述训练集和所述测试集，利用LSTM模型对预测网络进行训练，得到所述预测模型。
可选地，在所述数据预处理中，空缺数据用0代替。
可选地，在所述数据归一化处理中，利用以下公式进行归一化处理，以使得所述初始训练样本数据映射到[0,1]之间：
Figure BDA0003505701010000031
其中，PT表示样本数据，min(P)表示该机构的交易发生额的历史最小值，max(P)表示该机构的交易发生额的历史最大值。
可选地，所述比较步骤包括：
比较所述T日的实际余额和所述T日的预测交易金额之间的差额；判断所述差额是否低于预先设定的阈值；以及
若判断所述差额低于预先设定的阈值，则执行规定动作。
可选地，所述修正步骤包括：
在T日之后，获取T日的实际交易金额；
将所述T日的实际交易金额代入所述规定的预测模型，计算所述T日的实际交易金额和所述T日的预测交易金额之间的偏差以对所述规定的预测模型进行修正。
本发明一方面的基于神经网络的交易规模预测装置，其特征在于，包括：
获取模块，用于获取待预测机构的T日的实际余额；
预测模块，用于根据该T日前的N日的每日交易金额利用规定的预测模型预测得到该T日的预测交易金额，其中，所述规定的预测模型预先建立每日交易金额与预测交易金额之间的对应关系，N为自然数；以及
比较模块，用于比较所述T日的实际余额和所述T日的预测交易金额之间的差额。
可选地，进一步包括：
修正模块，用于获取T日的实际交易金额，基于所述T日的实际交易金额和所述T日的预测交易金额修正所述预测模型。
可选地，所述规定的预测模型为LSTM模型。
可选地，所述预测模型基于该T日前的N日的每日交易金额以及影响因子数据构成。
可选地，所述影响因子数据包括以下一项或者多项：
是否为法定假日；
历史交易峰值；
历史交易均值；以及
规定期限内交易总规模。
可选地，所述预测模型通过以下方式训练而成：
取M家机构的历史交易金额作为初始训练样本数据，M为自然数；
对于所述初始训练样本数据进行数据预处理之后进行数据归一化处理得到数据集；
按照规定比例将所述数据集分为训练集和测试集；以及
基于所述训练集和所述测试集，利用LSTM模型对预测网络进行训练，得到所述预测模型。
可选地，在所述数据预处理中，空缺数据用0代替。
可选地，在所述数据归一化处理中，通过以下公式处理，以使得所述初始训练样本数据映射到[0,1]之间：
Figure BDA0003505701010000041
其中，PT表示样本数据，min(P)表示该机构的交易发生额的历史最小值，max(P)表示该机构的交易发生额的历史最大值。
可选地，所述比较模块执行以下动作：
比较所述T日的实际余额和所述T日的预测交易金额之间的差额；
判断所述差额是否低于预先设定的阈值；以及
若判断所述差额低于预先设定的阈值，则执行规定动作。
可选地，所述修正模块执行以下动作：
在T日之后，获取T日的实际交易金额；
将所述T日的实际交易金额代入所述规定的预测模型，计算所述T日的实际交易金额和所述T日的预测交易金额之间的偏差以对所述规定的预测模型进行修正。
本发明一方面的计算机可读介质，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所述的基于神经网络的交易规模预测方法。
本发明一方面的计算机设备，包括存储模块、处理器以及存储在存储模块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计算机程序时实现的基于神经网络的交易规模预测方法。
附图说明
图1是本发明的基于神经网络的交易规模预测方法的流程示意图。
图2是本发明的一个实施方式的基于神经网络的交易规模预测方法的流程示意图。
图3是本发明的基于神经网络的交易规模预测装置的结构框图。
具体实施方式
下面介绍的是本发明的多个实施例中的一些，旨在提供对本发明的基本了解。并不旨在确认本发明的关键或决定性的要素或限定所要保护的范围。
出于简洁和说明性目的，本文主要参考其示范实施例来描述本发明的原理。但是，本领域技术人员将容易地认识到，相同的原理可等效地应用于所有类型的基于神经网络的交易规模预测方法以及基于神经网络的交易规模预测装置，并且可以在其中实施这些相同的原理，以及任何此类变化不背离本专利申请的真实精神和范围。
考虑到现有技术中的问题，在本发明中提出一种基于神经网络的交易规模预测方法，其中，由委托机构向服机构先存放一定额度的保证金,该方法能够基于委托机构前期交易规模变动情况及其他一些和交易规模相关性较高的影响因子，对该机构T日实际清算资金规模进行预测，根据T日实际清算资金规模与保证金的实际余额进行比较的差额来决定是否需要委托机构向清算保证金账户打款，由此，能够防止出现T+1日实际清算时，委托机构头寸不足的情况。
图1是本发明的基于神经网络的交易规模预测方法的流程示意图。
如图1所述，本发明的基于神经网络的交易规模预测方法包括以下步骤：
获取步骤S100：获取待预测机构的T日的实际余额；
预测步骤S200：根据该T日前的N日的每日交易金额利用规定的预测模型预测得到该T日的预测交易金额，其中，所述规定的预测模型预先建立每日交易金额与预测交易金额之间的对应关系，N为自然数；
比较步骤S300：比较所述T日的实际余额和所述T日的预测交易金额之间的差额；以及
修正步骤S400：在T日之后，获取该T日的实际交易金额，基于所述T日的实际交易金额和所述T日的预测交易金额修正所述预测模型，作为修正预测模型的一个是示例，例如将T日的实际交易金额与T日的预测交易金额均作为参数，带入原预测模型计算T+1日的模型。
其中，所述规定的预测模型为LSTM模型。
其中，所述预测模型基于该T日前的N日的每日交易金额以及影响因子数据构成。
其中，所述影响因子数据包括以下一项或者多项：是否为法定假日；历史交易峰值；历史交易均值；以及规定期限内交易总规模。
其中，所述预测模型通过以下方式训练而成：
取M家机构的历史交易金额作为初始训练样本数据，M为自然数；
对于所述初始训练样本数据进行数据预处理之后进行数据归一化处理得到数据集；
按照规定比例将所述数据集分为训练集和测试集；以及
基于所述训练集和所述测试集，利用LSTM模型对预测网络进行训练，得到所述预测模型。
对于将本发明的基于神经网络的交易规模预测方法应用到委托清算管理平台的一个实施方式进行说明。
图2是本发明的一个实施方式的基于神经网络的交易规模预测方法的流程示意图。
在图2中，委托机构相当于本发明的“待预测机构”，委托机构将资金清算委托给“委托清算管理平台”。本发明的基于神经网络的交易规模预测方法是应用于图2中的“委托清算管理平台”执行。另外，“账务系统”进行实际交易金额的查询，它不属于本发明的保护范围。
如图2所示，本发明的一个实施方式的基于神经网络的交易规模预测方法包括：
步骤S1：通过账务系统查询委托机构的保证金账户T日的实际余额ST；
步骤S2：根据该委托机构的前N日的每日交易金额PT-N，...PT-1，代入预测模型计算T日预测交易金额
Figure BDA0003505701010000071
步骤S3：比较该委托机构的实际余额ST与预测交易金额
Figure BDA0003505701010000072
的差额
Figure BDA0003505701010000073
步骤S4：若差额低于阈值，则通知该委托机构及时补充保证金账户头寸；
步骤S5：在T日日切之后，通过账务系统查询到实际交易发生额PT；
步骤S6：将实际交易发生额PT代入预测模型，计算预测偏差
Figure BDA0003505701010000074
以修正预测模型。
接着，对于预测模型的训练过程进行说明。
在本发明中预测模型的训练过程包括：
步骤1：取M家委托机构的历史交易金额作为初始训练样本数据，时间序列长度为L，M为自然数；
步骤2：对上述数据进行预处理，空缺数据用0代替，同时，将样本数据归一化并整理为数组；
步骤3：按照固定比例k将数据集分为训练集和测试集；
步骤4：利用LSTM模型对预测网络进行训练。
更具体地，在所述步骤2中，空缺数据表示该交易日前一日未发生交易或节假日大额支付系统关门，所以交易量为0。另外，数据归一化可以通过以下公式处理：
Figure BDA0003505701010000081
其中，PT表示样本数据，min(P)表示该机构的历史最小值，max(P)表示该机构的历史最大值。
这里，LSTM模型是一种时间循环神经网络模型，通过在一般的循环神经网络(RNN)中引入“遗忘门”的结构，从而能在较长时间中积累历史信息，增加了对于长时间时序数据的预测能力。本发明中利用现有的各家委托机构每日借、贷记轧差净额数据及其他一些和交易规模相关性较高的影响因子，对预测模型进行训练。
其中，在本发明中将是否为法定节假日、历史交易峰值、历史交易均值及近一周所有机构交易总规模作为其他影响因子(相关系数较高且已排除多重共线性影响)。将委托机构前序交易数据和影响因子数据带入预测模型，对其在T日交易规模进行预测。
如上所述，在本发明中通过利用基于神经网络的算法，借助现有的网络机构的交易数据，实现对委托机构总体交易规模预测。并且能够基于预测结果，要求委托机构及时补充保证金账户头寸，由此能够降低委托机构的资金流动性压力，从而实现账户余额动态管理。
以上，对于本发明的基于神经网络的交易规模预测方法进行了说明。以下对于本发明的基于神经网络的交易规模预测装置进行说明。
图3是本发明的基于神经网络的交易规模预测装置的结构框图。
图3所示，本发明的基于神经网络的交易规模预测装置100包括：
获取模块110，用于获取待预测机构的T日的实际余额；
预测模块120，用于根据该T日前的N日的每日交易金额利用规定的预测模型预测得到该T日的预测交易金额，其中，所述规定的预测模型预先建立每日交易金额与预测交易金额之间的对应关系，N为自然数；
比较模块130，用于比较所述T日的实际余额和所述T日的预测交易金额之间的差额；以及
修正模块140，用于获取T日的实际交易金额，基于所述T日的实际交易金额和所述T日的预测交易金额修正所述预测模型。
其中，所述规定的预测模型为LSTM模型。
其中，所述预测模型基于该T日前的N日的每日交易金额以及影响因子数据构成。
其中，所述影响因子数据包括以下一项或者多项：
是否为法定假日；
历史交易峰值；
历史交易均值；以及
规定期限内交易总规模。
其中，所述预测模型通过以下方式训练而成：
取M家机构的历史交易金额作为初始训练样本数据，M为自然数；
对于所述初始训练样本数据进行数据预处理之后进行数据归一化处理得到数据集；
按照规定比例将所述数据集分为训练集和测试集；以及
基于所述训练集和所述测试集，利用LSTM模型对预测网络进行训练，得到所述预测模型。
其中，在所述数据预处理中，空缺数据用0代替。
其中，在所述数据归一化处理中，通过以下公式处理，以使得所述初始训练样本数据映射到[0,1]之间：
Figure BDA0003505701010000101
其中，PT表示样本数据，min(P)表示该机构的交易发生额的历史最小值，max(P)表示该机构的交易发生额的历史最大值。
其中，比较模块130执行以下动作：
比较所述T日的实际余额和所述T日的预测交易金额之间的差额；判断所述差额是否低于预先设定的阈值；以及
若判断所述差额低于预先设定的阈值，则执行规定动作，例如通知委托机构增加保证金。
其中，修正模块140执行以下动作：
在T日之后，获取T日的实际交易金额；
将所述T日的实际交易金额代入所述规定的预测模型，计算所述T日的实际交易金额和所述T日的预测交易金额之间的偏差以对所述规定的预测模型进行修正。
在本发明中，借助于现有的网络海量的委托机构的交易数据，利用神经网络算法训练委托机构的预测模型，再根据委托机构自身历史交易情况及影响因子情况，对该委托机构T日总体的交易规模(例如交易金额)进行预测，根据预测值与该委托机构的保证金的余额进行比较，如果保证金的余额低于规定阈值，则能够要求委托机构补充资金头寸。
进一步，在T日之后，例如T+1日根据委托机构的T日的实际清算金额对原有预测模型进行修正，由此能够实现委托机构交易规模的精准预测。
本发明还提供一种计算机可读介质，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所述的基于神经网络的交易规模预测方法。
本发明还提供一种计算机设备，包括存储模块、处理器以及存储在存储模块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计算机程序时实现所述的基于神经网络的交易规模预测方法。
以上例子主要说明了本发明的基于神经网络的交易规模预测方法以及基于神经网络的交易规模预测装置。尽管只对其中一些本发明的具体实施方式进行了描述，但是本领域普通技术人员应当了解，本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此，所展示的例子与实施方式被视为示意性的而非限制性的，在不脱离如所附各权利要求所定义的本发明精神及范围的情况下，本发明可能涵盖各种的修改与替换。

Claims (22)

1.一种基于神经网络的交易规模预测方法，其特征在于，包括：
获取步骤，获取待预测机构的T日的实际余额；
预测步骤，根据该T日前的N日的每日交易金额利用规定的预测模型预测得到该T日的预测交易金额，其中，所述规定的预测模型预先建立N日的每日交易金额与预测交易金额之间的对应关系，N为自然数；以及
比较步骤，比较所述T日的实际余额和所述T日的预测交易金额之间的差额。
2.如权利要求1所述的基于神经网络的交易规模预测方法，其特征在于，在所述比较步骤之后进一步包括：
修正步骤，获取该T日的实际交易金额，基于所述T日的实际交易金额和所述T日的预测交易金额来修正所述预测模型。
3.如权利要求1所述的基于神经网络的交易规模预测方法，其特征在于，
所述规定的预测模型为LSTM模型。
4.如权利要求1所述的交易规模预测方法，其特征在于，
所述预测模型基于该T日前的N日的每日交易金额以及影响因子数据构成。
5.如权利要求1所述的交易规模预测方法，其特征在于，
所述影响因子数据包括以下一项或者多项：
是否为法定假日；
历史交易峰值；
历史交易均值；以及
规定期限内交易总规模。
6.如权利要求1所述的交易规模预测方法，其特征在于，所述预测模型通过以下方式训练而成：
取M家机构的历史交易金额作为初始训练样本数据，M为自然数；
对于所述初始训练样本数据进行数据预处理之后进行数据归一化处理得到数据集；
按照规定比例将所述数据集分为训练集和测试集；以及
基于所述训练集和所述测试集，利用LSTM模型对预测网络进行训练，得到所述预测模型。
7.如权利要求6所述的基于神经网络的交易规模预测方法，其特征在于，
在所述数据预处理中，空缺数据用0代替。
8.如权利要求6所述的基于神经网络的交易规模预测方法，其特征在于，
在所述数据归一化处理中，利用以下公式进行归一化处理，以使得所述初始训练样本数据映射到[0,1]之间：
Figure FDA0003505700000000021
其中，PT表示样本数据，min(P)表示该机构的交易发生额的历史最小值，max(P)表示该机构的交易发生额的历史最大值。
9.如权利要求1所述的基于神经网络的交易规模预测方法，其特征在于，所述比较步骤包括：
比较所述T日的实际余额和所述T日的预测交易金额之间的差额；
判断所述差额是否低于预先设定的阈值；以及
若判断所述差额低于预先设定的阈值，则执行规定动作。
10.如权利要求2所述的基于神经网络的交易规模预测方法，其特征在于，所述修正步骤包括：
在T日之后，获取T日的实际交易金额；
将所述T日的实际交易金额代入所述规定的预测模型，计算所述T日的实际交易金额和所述T日的预测交易金额之间的偏差以对所述规定的预测模型进行修正。
11.一种基于神经网络的交易规模预测装置，其特征在于，包括：
获取模块，用于获取待预测机构的T日的实际余额；
预测模块，用于根据该T日前的N日的每日交易金额利用规定的预测模型预测得到该T日的预测交易金额，其中，所述规定的预测模型预先建立每日交易金额与预测交易金额之间的对应关系，N为自然数；以及
比较模块，用于比较所述T日的实际余额和所述T日的预测交易金额之间的差额。
12.如权利要求11所述的基于神经网络的交易规模预测装置，其特征在于，进一步包括：
修正模块，用于获取T日的实际交易金额，基于所述T日的实际交易金额和所述T日的预测交易金额修正所述预测模型。
13.如权利要求11所述的基于神经网络的交易规模预测装置，其特征在于，
所述规定的预测模型为LSTM模型。
14.如权利要求11所述的交易规模预测装置，其特征在于，
所述预测模型基于该T日前的N日的每日交易金额以及影响因子数据构成。
15.如权利要求11所述的交易规模预测装置，其特征在于，
所述影响因子数据包括以下一项或者多项：
是否为法定假日；
历史交易峰值；
历史交易均值；以及
规定期限内交易总规模。
16.如权利要求11所述的交易规模预测装置，其特征在于，所述预测模型通过以下方式训练而成：
取M家机构的历史交易金额作为初始训练样本数据，M为自然数；
对于所述初始训练样本数据进行数据预处理之后进行数据归一化处理得到数据集；
按照规定比例将所述数据集分为训练集和测试集；以及
基于所述训练集和所述测试集，利用LSTM模型对预测网络进行训练，得到所述预测模型。
17.如权利要求16所述的基于神经网络的交易规模预测装置，其特征在于，
在所述数据预处理中，空缺数据用0代替。
18.如权利要求16所述的基于神经网络的交易规模预测装置，其特征在于，
在所述数据归一化处理中，通过以下公式处理，以使得所述初始训练样本数据映射到[0,1]之间：
Figure FDA0003505700000000041
其中，PT表示样本数据，min(P)表示该机构的交易发生额的历史最小值，max(P)表示该机构的交易发生额的历史最大值。
19.如权利要求11所述的基于神经网络的交易规模预测装置，其特征在于，所述比较模块执行以下动作：
比较所述T日的实际余额和所述T日的预测交易金额之间的差额；
判断所述差额是否低于预先设定的阈值；以及
若判断所述差额低于预先设定的阈值，则执行规定动作。
20.如权利要求12所述的基于神经网络的交易规模预测装置，其特征在于，所述修正模块执行以下动作：
在T日之后，获取T日的实际交易金额；
将所述T日的实际交易金额代入所述规定的预测模型，计算所述T日的实际交易金额和所述T日的预测交易金额之间的偏差以对所述规定的预测模型进行修正。
21.一种计算机可读介质，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1～10任意一项所述的基于神经网络的交易规模预测方法。
22.一种计算机设备，包括存储模块、处理器以及存储在存储模块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计算机程序时实现权利要求1～10任意一项所述的基于神经网络的交易规模预测方法。
CN202210139470.0A 2022-02-15 2022-02-15 基于神经网络的交易规模预测方法及装置 Pending CN114970932A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210139470.0A CN114970932A (zh) 2022-02-15 2022-02-15 基于神经网络的交易规模预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210139470.0A CN114970932A (zh) 2022-02-15 2022-02-15 基于神经网络的交易规模预测方法及装置

Publications (1)

Publication Number Publication Date
CN114970932A true CN114970932A (zh) 2022-08-30

Family

ID=82975915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210139470.0A Pending CN114970932A (zh) 2022-02-15 2022-02-15 基于神经网络的交易规模预测方法及装置

Country Status (1)

Country Link
CN (1) CN114970932A (zh)

Similar Documents

Publication Publication Date Title
CN108846520B (zh) 贷款逾期预测方法、装置以及计算机可读存储介质
CN110415119B (zh) 模型训练、票据交易预测方法、装置、存储介质及设备
US8706599B1 (en) System and method of generating investment criteria for an investment vehicle that includes a pool of escrow deposits from a plurality of merger and acquisition transactions
US8275683B2 (en) Systems and methods for deposit predictions based upon Monte Carlo analysis
US20040078319A1 (en) Factor risk model based system, method, and computer program product for generating risk forecasts
US20030225659A1 (en) Retail lending risk related scenario generation
US20160042353A1 (en) Predictive fraud screening
US20160042354A1 (en) Predictive fraud screening
US20130185179A1 (en) Systems and methods for deposit predictions based upon template matching
US11663662B2 (en) Automatic adjustment of limits based on machine learning forecasting
KR20200068069A (ko) 기계 학습 기반의 채무불이행 예측 장치 및 방법
AU2015210357B2 (en) Predictive fraud screening
CN111429286A (zh) 财务可信度的评估方法、装置、设备和存储介质
CN115311077A (zh) 贷款信息处理方法、服务器、应用端和系统
CN114970932A (zh) 基于神经网络的交易规模预测方法及装置
US7546270B1 (en) Method and system for estimating economic risk associated with a group of loans
US20200065897A1 (en) Financial instrument pricing
WO2003067395A2 (en) Retail lending risk related scenario generation
EP2983119A1 (en) Predictive fraud screening
CN116151830A (zh) 一种在途资金风险预警方法及系统
CN117454171A (zh) 借贷模型训练方法、相关装置、设备以及可读存储介质
CN116934456A (zh) 一种劣变贷款的拨备计提方法和装置
CN114841805A (zh) 货币基金净值预测方法、装置、设备及存储介质
Zaverdinos Nelson-Siegel vs. Constant Spread Bond Price Prediction
CN115563301A (zh) 一种用户生命周期预测方法及装置

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