CN115641195A - 银行头寸的预测方法及装置 - Google Patents
银行头寸的预测方法及装置 Download PDFInfo
- Publication number
- CN115641195A CN115641195A CN202211089418.5A CN202211089418A CN115641195A CN 115641195 A CN115641195 A CN 115641195A CN 202211089418 A CN202211089418 A CN 202211089418A CN 115641195 A CN115641195 A CN 115641195A
- Authority
- CN
- China
- Prior art keywords
- data
- bank
- bank position
- time sequence
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种银行头寸的预测方法及装置，涉及人工智能，该方法包括：获取银行头寸的时序数据和关联特征数据；所述关联特征数据包括贷款特征数据、存款特征数据和假期特征数据；对银行头寸的时序数据进行时间序列分解，得到银行头寸的时序特征；将银行头寸的时序特征，分别与关联特征数据进行融合，得到对应不同银行头寸的时序特征的融合数据；将所述融合数据作为输入数据，输入至银行头寸预测神经网络模型，得到银行头寸的预测结果；所述银行头寸预测神经网络模型以银行头寸历史数据作为训练集，对神经网络模型进行训练得到。本发明用以提升银行头寸预测的准确性，有利于降低银行的流动性风险。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及银行头寸的预测方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施案例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
流动性风险产生于日常的银行业务活动中，而精准的预测头寸(银行的可用资金统称为头寸)的趋势，可以减少备付金，释放更多的可支配资金，创造更大的效益空间。
流动性风险是当负债到期时银行无法对资产进行再融资的风险。为了抵御这种风险，银行需要持有大量的高流动性资产。如果资产超过负债，银行就会产生融资需求。相反，如果负债超过资产，银行就需要为这部分资金寻找有效的途径。无论哪种情况，银行都会面对流动性缺口。而头寸的预测是对这个缺口预测的关键方法。
现阶段，多根据到期的资产和负债之间的总额，结合人工经验对每日的头寸状况进行预测。在大数据和人工智能的快速发展下，研究自动预测模型在头寸预测中的应用十分必要。目前已有的头寸趋势自动预测方法仅通过学习头寸历史随时间发展的规律，来对未来头寸进行预测。然而，随着每天发生的业务不同，仅通过对时间序列的特征进行挖掘而预测，对精确度有较大影响。
发明内容
本发明实施例提供一种银行头寸的预测方法，用以提升银行头寸预测的准确性，有利于降低银行的流动性风险，该方法包括：
获取银行头寸的时序数据和关联特征数据；所述关联特征数据包括贷款特征数据、存款特征数据和假期特征数据；
对银行头寸的时序数据进行时间序列分解，得到银行头寸的时序特征；
将银行头寸的时序特征，分别与关联特征数据进行融合，得到对应不同银行头寸的时序特征的融合数据；
将所述融合数据作为输入数据，输入至银行头寸预测神经网络模型，得到银行头寸的预测结果；所述银行头寸预测神经网络模型以银行头寸历史数据作为训练集，对神经网络模型进行训练得到；所述银行头寸历史数据包括：每一时刻的银行头寸的时序数据和关联特征数据、以及该时刻的后一时刻的银行头寸的时序数据。
本发明实施例还提供一种银行头寸的预测装置，用以提升银行头寸预测的准确性，有利于降低银行的流动性风险，该装置包括：
数据获取模块，用于获取银行头寸的时序数据和关联特征数据；所述关联特征数据包括贷款特征数据、存款特征数据和假期特征数据；
时间序列分解模块，用于对银行头寸的时序数据进行时间序列分解，得到银行头寸的时序特征；
融合模块，用于将银行头寸的时序特征，分别与关联特征数据进行融合，得到对应不同银行头寸的时序特征的融合数据；
预测结果获取模块，用于将所述融合数据作为输入数据，输入至银行头寸预测神经网络模型，得到银行头寸的预测结果；所述银行头寸预测神经网络模型以银行头寸历史数据作为训练集，对神经网络模型进行训练得到；所述银行头寸历史数据包括：每一时刻的银行头寸的时序数据和关联特征数据、以及该时刻的后一时刻的银行头寸的时序数据。
本发明实施例还提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述银行头寸的预测方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述银行头寸的预测方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述银行头寸的预测方法。
本发明实施例中，获取银行头寸的时序数据和关联特征数据；所述关联特征数据包括贷款特征数据、存款特征数据和假期特征数据；对银行头寸的时序数据进行时间序列分解，得到银行头寸的时序特征；将银行头寸的时序特征，分别与关联特征数据进行融合，得到对应不同银行头寸的时序特征的融合数据；将所述融合数据作为输入数据，输入至银行头寸预测神经网络模型，得到银行头寸的预测结果；所述银行头寸预测神经网络模型以银行头寸历史数据作为训练集，对神经网络模型进行训练得到；所述银行头寸历史数据包括：每一时刻的银行头寸的时序数据和关联特征数据、以及该时刻的后一时刻的银行头寸的时序数据，与现有技术中仅通过学习头寸历史随时间发展的规律来对头寸进行预测的技术方案相比，通过融合如贷款特征数据、存款特征数据和假期特征数据的关联特征数据，可在对银行头寸的时序数据进行研究的基础上，引入了如贷款、存款和假期的这些和头寸趋势变化强相关的特征，可更精准地实现银行头寸预测神经网络模型的预测精度，提升了对银行头寸预测的准确性，有利于降低银行的流动性风险。
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。在附图中：
图1为本发明实施例中一种银行头寸的预测方法的流程示意图；
图2为本发明实施例中一种银行头寸的预测装置的结构示例图；
图3为本发明实施例中一种银行头寸的预测装置的具体示例图；
图4为本发明实施例中一种银行头寸的预测装置的具体示例图；
图5为本发明实施例中提供的一种计算机设备的示意图。
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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
本文中术语“和/或”，仅仅是描述一种关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请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一定指的是相同的实施例或示例。而且，描述的具体特征、结构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。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
本发明实施例涉及下列名词，如下进行解释：
头寸：银行的可用资金统称为头寸。
时间序列：一组按照时间排列的随机变量，通常是在相等间隔的时间段内，按照某种手段进行观测的结果。
STL分解法：一种用来对时间序列进行分解的方法，通过局部加权回归作为平滑方法的时间序列分解方法。
LSTM:长短时神经网络，对于时序预测的一种常用网络结构。
流动性风险产生于日常的银行业务活动中，精准的预测头寸趋势，可以减少备付金，释放更多的可支配资金，创造更大的效益空间。本发明实施例旨在提高头寸预测的精准度。
流动性风险是当负债到期时银行无法对资产进行再融资的风险。为了抵御这种风险，银行需要持有大量的高流动性资产。如果资产超过负债，银行就会产生融资需求。相反，如果负债超过资产，银行就需要为这部分资金寻找有效的途径。无论哪种情况，银行都会面对流动性缺口。而头寸的预测是对这个缺口预测的关键方法。现在大都根据到期的资产和负债之间的总额根据人工经验对每日状况进行预测。在现行大数据和人工智能的快速发展下，研究自动预测模型在头寸预测中的应用十分必要。
发明人发现：目前已有的头寸趋势自动预测方法仅通过学习头寸历史随时间发展的规律，来对未来头寸进行预测。然而，随着每天发生的业务不同，有新增的贷款和收入，仅通过对时间序列的特征进行挖掘而预测，对精确度有较大影响。
进一步地，发明人得出如下结论：头寸趋势本质是可以看成是时间序列。资金头寸的变化主要由外部资金流入(存款等)和资金流出(贷款)等造成。外在资金的增多和贷款的减少会使头寸升高，外在资金的减少和贷款的增多会使头寸降低。故头寸和外在资金、贷款都有着较强关联关系。
因此，对比现有技术下：现有的基于时间序列的头寸预测方法，仅着重考虑了头寸自身的时间，挖掘其自身时间特征，其预测结果仅为从头寸历史数据学习而来。而忽略了头寸序列并不是仅仅和时间相关，预测结果还和其他属性强相关，如存款、贷款等。针对此问题，本发明实施例在现有基于时序特征的头寸预测方法基础上，引入了外部影响因子，采用多元时序预测方法，来提高时序预测的准确性。
具体而言，本发明实施例首先通过分析提取头寸的时间序列自身包含的时序特征，结合关联性强的外部因素如贷款金额、资金等强关联因素作为输入，以提高预测精准度。
本发明实施例提供的一种银行头寸的预测方法，可用以提升银行头寸预测的准确性，有利于降低银行的流动性风险，参见图1，该方法可以包括：
步骤101：获取银行头寸的时序数据和关联特征数据；上述关联特征数据包括贷款特征数据、存款特征数据和假期特征数据；
步骤102：对银行头寸的时序数据进行时间序列分解，得到银行头寸的时序特征；
步骤103：将银行头寸的时序特征，分别与关联特征数据进行融合，得到对应不同银行头寸的时序特征的融合数据；
步骤104：将上述融合数据作为输入数据，输入至银行头寸预测神经网络模型，得到银行头寸的预测结果；上述银行头寸预测神经网络模型以银行头寸历史数据作为训练集，对神经网络模型进行训练得到；上述银行头寸历史数据包括：每一时刻的银行头寸的时序数据和关联特征数据、以及该时刻的后一时刻的银行头寸的时序数据。
本发明实施例中，获取银行头寸的时序数据和关联特征数据；上述关联特征数据包括贷款特征数据、存款特征数据和假期特征数据；对银行头寸的时序数据进行时间序列分解，得到银行头寸的时序特征；将银行头寸的时序特征，分别与关联特征数据进行融合，得到对应不同银行头寸的时序特征的融合数据；将上述融合数据作为输入数据，输入至银行头寸预测神经网络模型，得到银行头寸的预测结果；上述银行头寸预测神经网络模型以银行头寸历史数据作为训练集，对神经网络模型进行训练得到；上述银行头寸历史数据包括：每一时刻的银行头寸的时序数据和关联特征数据、以及该时刻的后一时刻的银行头寸的时序数据，与现有技术中仅通过学习头寸历史随时间发展的规律来对头寸进行预测的技术方案相比，通过融合如贷款特征数据、存款特征数据和假期特征数据的关联特征数据，可在对银行头寸的时序数据进行研究的基础上，引入了如贷款、存款和假期的这些和头寸趋势变化强相关的特征，可更精准地实现银行头寸预测神经网络模型的预测精度，提升了对银行头寸预测的准确性，有利于降低银行的流动性风险。
具体实施时，首先获取银行头寸的时序数据和关联特征数据；上述关联特征数据包括贷款特征数据、存款特征数据和假期特征数据。
在一个实施例中，贷款特征数据，用于描述近期贷款总额度；存款特征数据，用于描述近期存款总额度；假期特征数据，用于描述是否是假期。
在一个实施例中，关联特征数据还可以包括：政策因素，特殊节假日等。
在上述实施例中，可对头寸相关特征数据进行分析，选择出与头寸相关的强关联特征，将特征强关联特征作为输入之一，增加预测模型的精准度。
具体实施时，在获取银行头寸的时序数据和关联特征数据后，对银行头寸的时序数据进行时间序列分解，得到银行头寸的时序特征。
在一个实施例中，上述银行头寸的时序特征，包括：银行头寸的趋势子序列、季节子序列和残差序列。
在上述实施例中，趋势子序列，用于描述头寸变化的趋势序列；季节子序列，用于描述头寸序列的周期特征；残差序列，用于描述长期趋势和周期特征以外的东西，可以理解为噪声。
在一个实施例中，对银行头寸的时序数据进行时间序列分解，得到银行头寸的时序特征，包括：
基于STL分解法，对银行头寸的时序数据进行时间序列分解，得到银行头寸的趋势子序列、季节子序列和残差序列。
在上述实施例中，可使用STL方法对时序数据进行时间特征拆解，将时间序列拆分预测后合并，提高预测精度。
具体实施时，在对银行头寸的时序数据进行时间序列分解，得到银行头寸的时序特征后，将银行头寸的时序特征，分别与关联特征数据进行融合，得到对应不同银行头寸的时序特征的融合数据。
实施例中，首先使用关联分析法计算特征候选集中与头寸序列的关联关系，然后选取关联度高的特征作为特征融合的输入数据。
举一实例，如可将银行头寸的时序特征，分别与关联特征数据进行融合，得到对应银行头寸不同维度的时序特征的融合数据。
在一个实施例中，将银行头寸的时序特征，分别与关联特征数据进行融合，得到对应不同银行头寸的时序特征的融合数据，包括：
基于灰色关联分析法，将银行头寸的趋势子序列、季节子序列和残差序列，与关联特征数据进行融合，得到分别对应银行头寸的趋势子序列、季节子序列和残差序列的融合数据。
实施例中，可计算出候选特征集序列与头寸时间序列的关联度，选取关联度大于0.7(视为关联度大的数据)的特征数据作为网络预测模型的输入。
在上述实施例中，通过融合如贷款特征数据、存款特征数据和假期特征数据的关联特征数据，可在对银行头寸的时序数据进行研究的基础上，引入了如贷款、存款和假期的这些和头寸趋势变化强相关的特征，提升了对银行头寸预测的准确性。
具体实施时，在将银行头寸的时序特征，分别与关联特征数据进行融合，得到对应不同银行头寸的时序特征的融合数据后，将上述融合数据作为输入数据，输入至银行头寸预测神经网络模型，得到银行头寸的预测结果；上述银行头寸预测神经网络模型以银行头寸历史数据作为训练集，对神经网络模型进行训练得到；上述银行头寸历史数据包括：每一时刻的银行头寸的时序数据和关联特征数据、以及该时刻的后一时刻的银行头寸的时序数据。
实施例中，可基于神经网络技术，实现对银行头寸的精准预测。可将所述银行头寸的趋势子序列、季节子序列和残差序列的融合数据作为输入数据，输入至银行头寸预测神经网络模型，得到三条时序序列的输出结果，将其进行累加，即为最终的银行头寸的预测结果
举一实例，可采用滑动窗口方式对时序数据进行分割。并将时序数据T为输入数据，T+1时刻为预测结果，以此来进行预测。通过模型预测结果和标记预测结果的差值，来反复训练模型，以使神经网络模型(如LSTM模型)的参数达到最优预测结果。
在一个实施例中，还包括：
按如下方式训练银行头寸预测神经网络模型：
将每一时刻的银行头寸的时序数据和关联特征数据作为输入数据，将该时刻的后一时刻的银行头寸的时序数据作为输出数据，得到训练数据集；
以上述训练数据集，对神经网络模型进行训练，得到训练好的银行头寸预测神经网络模型。
在一个实施例中，还包括：
将每一时刻的银行头寸的时序数据和关联特征数据作为输入数据，将该时刻的后一时刻的银行头寸的时序数据作为输出数据，得到验证数据集；
以上述验证数据集，对神经网络模型进行验证，得到验证好的银行头寸预测神经网络模型。
在上述实施例中，通过融合如贷款特征数据、存款特征数据和假期特征数据的关联特征数据，可在对银行头寸的时序数据进行研究的基础上，引入了如贷款、存款和假期的这些和头寸趋势变化强相关的特征，可更精准地实现银行头寸预测神经网络模型的预测精度，提升了对银行头寸预测的准确性，有利于降低银行的流动性风险。
本发明实施例中，获取银行头寸的时序数据和关联特征数据；上述关联特征数据包括贷款特征数据、存款特征数据和假期特征数据；对银行头寸的时序数据进行时间序列分解，得到银行头寸的时序特征；将银行头寸的时序特征，分别与关联特征数据进行融合，得到对应不同银行头寸的时序特征的融合数据；将上述融合数据作为输入数据，输入至银行头寸预测神经网络模型，得到银行头寸的预测结果；上述银行头寸预测神经网络模型以银行头寸历史数据作为训练集，对神经网络模型进行训练得到；上述银行头寸历史数据包括：每一时刻的银行头寸的时序数据和关联特征数据、以及该时刻的后一时刻的银行头寸的时序数据，与现有技术中仅通过学习头寸历史随时间发展的规律来对头寸进行预测的技术方案相比，通过融合如贷款特征数据、存款特征数据和假期特征数据的关联特征数据，可在对银行头寸的时序数据进行研究的基础上，引入了如贷款、存款和假期的这些和头寸趋势变化强相关的特征，可更精准地实现银行头寸预测神经网络模型的预测精度，提升了对银行头寸预测的准确性，有利于降低银行的流动性风险。
本发明实施例中还提供了一种银行头寸的预测装置，如下面的实施例上述。由于该装置解决问题的原理与银行头寸的预测方法相似，因此该装置的实施可以参见银行头寸的预测方法的实施，重复之处不再赘述。
本发明实施例还提供一种银行头寸的预测装置，用以提升银行头寸预测的准确性，有利于降低银行的流动性风险，如图2所示，该装置包括：
数据获取模块201，用于获取银行头寸的时序数据和关联特征数据；上述关联特征数据包括贷款特征数据、存款特征数据和假期特征数据；
时间序列分解模块202，用于对银行头寸的时序数据进行时间序列分解，得到银行头寸的时序特征；
融合模块203，用于将银行头寸的时序特征，分别与关联特征数据进行融合，得到对应不同银行头寸的时序特征的融合数据；
预测结果获取模块204，用于将上述融合数据作为输入数据，输入至银行头寸预测神经网络模型，得到银行头寸的预测结果；上述银行头寸预测神经网络模型以银行头寸历史数据作为训练集，对神经网络模型进行训练得到；上述银行头寸历史数据包括：每一时刻的银行头寸的时序数据和关联特征数据、以及该时刻的后一时刻的银行头寸的时序数据。
在一个实施例中，上述银行头寸的时序特征，包括：银行头寸的趋势子序列、季节子序列和残差序列。
在一个实施例中，时间序列分解模块，具体用于：
基于STL分解法，对银行头寸的时序数据进行时间序列分解，得到银行头寸的趋势子序列、季节子序列和残差序列。
在一个实施例中，融合模块，具体用于：
基于灰色关联分析法，将银行头寸的趋势子序列、季节子序列和残差序列，与关联特征数据进行融合，得到分别对应银行头寸的趋势子序列、季节子序列和残差序列的融合数据。
在一个实施例中，如图3所示，还包括：
银行头寸预测神经网络模型训练模块301，用于：
按如下方式训练银行头寸预测神经网络模型：
将每一时刻的银行头寸的时序数据和关联特征数据作为输入数据，将该时刻的后一时刻的银行头寸的时序数据作为输出数据，得到训练数据集；
以上述训练数据集，对神经网络模型进行训练，得到训练好的银行头寸预测神经网络模型。
在一个实施例中，还包括：
银行头寸预测神经网络模型验证模块，用于：
将每一时刻的银行头寸的时序数据和关联特征数据作为输入数据，将该时刻的后一时刻的银行头寸的时序数据作为输出数据，得到验证数据集；
以上述验证数据集，对神经网络模型进行验证，得到验证好的银行头寸预测神经网络模型。
下面给出一个具体实施例，来说明本发明的装置的具体应用，该实施例中，如图4所示，可以包括如下模块：
数据清理模块：获取头寸序列、贷款数据、存款数据；
数据分析模块：采用灰色关联分析法GRA，对关联数据进行分析；对头寸时序序列采用STL进行分解；
数据融合模块：将STL分解后的时间序列和贷款存款等采用灰色关联分析法分析得出的高度关联的数据进行融合。
数据预处理模块：将数据划分训练集和测试集，同时进行归一化处理；
数据预测模块：构建数据预测模型，将数据进行输入；
结果输出模块：输出预测结果；并对预测结果进行反归一化，获取最终结果。
如下对本具体实施例的装置进行说明：
步骤1：通过数据清理模块，接收头寸序列的时序数据Y，和特征数据Fn，如贷款、存款、假期等特征数据，将头寸时序数据传送至模块2；
步骤2：通过数据分析模块，对头寸的时序数据使用STL方法进行时间序列分解，该方法是时间序列分解的重要方法；分解的三条子序列。趋势子序列T,季节子序列S，残差序列R。
步骤3：通过数据融合模块，将分解所得到的三个子序列分别和n个特征相融合，形成新的子序列T’,S’,R’。
步骤4:通过数据预处理模块，将数据划分为训练集和测试集，并对其做归一化处理。
步骤5：通过数据预测模块，将预测数据输入至预测模型。采用滑动窗口方式对时序数据进行分割。并将时序数据T为输入数据，T+1时刻为预测结果，以此来进行预测。通过模型预测结果和标记预测结果的差值，来反复训练模型，以使LSTM模型的参数达到最优预测结果。
步骤6：通过结果输出模块，输出预测结果，并进行反归一化后，输出最终的预测结果。
其中，步骤四和步骤五中的训练集测试急划分和模型训练，不需要每次都进行训练，训练一次后模型获得参数，手续将数据输入，可以直接进行预测。
在上述实例中，首先在数据准备模块，除了有头寸自身的时序数列外，还使用了贷款、存款、是否假期等这些和头寸趋势变化强相关的特征，这些特征的引入可以提高预测模型的精度。其次增加了特征融合模块，将强关联特征与分解后的时间序列进行融合，提高预测的准确性。
综上，本发明实施例采用头寸序列本身为主要特征，同时挖掘出和头寸序列关联性强的其它关联特征，丰富特征的输入，而不是仅仅靠头寸序列本身挖掘出头寸特征。通过丰富的输入，避免了单一从时序特征角度对头寸进行预测，同时采用STL分解法，对时间序列进行特征分解，分开预测，从而提高了头寸的预测精度。
当然，可以理解的是，上述详细模块还可以有其他变化例，相关变化例均应落入本发明的保护范围。
基于上述发明构思，如图5所示，本发明还提出了一种计算机设备500，包括存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序530，上述处理器520执行上述计算机程序530时实现上述银行头寸的预测方法。
本发明实施例还提供一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现上述银行头寸的预测方法。
本发明实施例还提供一种计算机程序产品，上述计算机程序产品包括计算机程序，上述计算机程序被处理器执行时实现上述银行头寸的预测方法。
本发明实施例中，获取银行头寸的时序数据和关联特征数据；上述关联特征数据包括贷款特征数据、存款特征数据和假期特征数据；对银行头寸的时序数据进行时间序列分解，得到银行头寸的时序特征；将银行头寸的时序特征，分别与关联特征数据进行融合，得到对应不同银行头寸的时序特征的融合数据；将上述融合数据作为输入数据，输入至银行头寸预测神经网络模型，得到银行头寸的预测结果；上述银行头寸预测神经网络模型以银行头寸历史数据作为训练集，对神经网络模型进行训练得到；上述银行头寸历史数据包括：每一时刻的银行头寸的时序数据和关联特征数据、以及该时刻的后一时刻的银行头寸的时序数据，与现有技术中仅通过学习头寸历史随时间发展的规律来对头寸进行预测的技术方案相比，通过融合如贷款特征数据、存款特征数据和假期特征数据的关联特征数据，可在对银行头寸的时序数据进行研究的基础上，引入了如贷款、存款和假期的这些和头寸趋势变化强相关的特征，可更精准地实现银行头寸预测神经网络模型的预测精度，提升了对银行头寸预测的准确性，有利于降低银行的流动性风险。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于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的装置。
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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于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的步骤。
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，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，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。
Claims (15)
1.一种银行头寸的预测方法，其特征在于，包括：
获取银行头寸的时序数据和关联特征数据；所述关联特征数据包括贷款特征数据、存款特征数据和假期特征数据；
对银行头寸的时序数据进行时间序列分解，得到银行头寸的时序特征；
将银行头寸的时序特征，分别与关联特征数据进行融合，得到对应不同银行头寸的时序特征的融合数据；
将所述融合数据作为输入数据，输入至银行头寸预测神经网络模型，得到银行头寸的预测结果；所述银行头寸预测神经网络模型以银行头寸历史数据作为训练集，对神经网络模型进行训练得到；所述银行头寸历史数据包括：每一时刻的银行头寸的时序数据和关联特征数据、以及该时刻的后一时刻的银行头寸的时序数据。
2.如权利要求1所述的方法，其特征在于，所述银行头寸的时序特征，包括：银行头寸的趋势子序列、季节子序列和残差序列。
3.如权利要求2所述的方法，其特征在于，对银行头寸的时序数据进行时间序列分解，得到银行头寸的时序特征，包括：
基于STL分解法，对银行头寸的时序数据进行时间序列分解，得到银行头寸的趋势子序列、季节子序列和残差序列。
4.如权利要求2所述的方法，其特征在于，将银行头寸的时序特征，分别与关联特征数据进行融合，得到对应不同银行头寸的时序特征的融合数据，包括：
基于灰色关联分析法，将银行头寸的趋势子序列、季节子序列和残差序列，与关联特征数据进行融合，得到分别对应银行头寸的趋势子序列、季节子序列和残差序列的融合数据。
5.如权利要求1所述的方法，其特征在于，还包括：
按如下方式训练银行头寸预测神经网络模型：
将每一时刻的银行头寸的时序数据和关联特征数据作为输入数据，将该时刻的后一时刻的银行头寸的时序数据作为输出数据，得到训练数据集；
以所述训练数据集，对神经网络模型进行训练，得到训练好的银行头寸预测神经网络模型。
6.如权利要求5所述的方法，其特征在于，还包括：
将每一时刻的银行头寸的时序数据和关联特征数据作为输入数据，将该时刻的后一时刻的银行头寸的时序数据作为输出数据，得到验证数据集；
以所述验证数据集，对神经网络模型进行验证，得到验证好的银行头寸预测神经网络模型。
7.一种银行头寸的预测装置，其特征在于，包括：
数据获取模块，用于获取银行头寸的时序数据和关联特征数据；所述关联特征数据包括贷款特征数据、存款特征数据和假期特征数据；
时间序列分解模块，用于对银行头寸的时序数据进行时间序列分解，得到银行头寸的时序特征；
融合模块，用于将银行头寸的时序特征，分别与关联特征数据进行融合，得到对应不同银行头寸的时序特征的融合数据；
预测结果获取模块，用于将所述融合数据作为输入数据，输入至银行头寸预测神经网络模型，得到银行头寸的预测结果；所述银行头寸预测神经网络模型以银行头寸历史数据作为训练集，对神经网络模型进行训练得到；所述银行头寸历史数据包括：每一时刻的银行头寸的时序数据和关联特征数据、以及该时刻的后一时刻的银行头寸的时序数据。
8.如权利要求7所述的装置，其特征在于，所述银行头寸的时序特征，包括：银行头寸的趋势子序列、季节子序列和残差序列。
9.如权利要求8所述的装置，其特征在于，时间序列分解模块，具体用于：
基于STL分解法，对银行头寸的时序数据进行时间序列分解，得到银行头寸的趋势子序列、季节子序列和残差序列。
10.如权利要求8所述的装置，其特征在于，融合模块，具体用于：
基于灰色关联分析法，将银行头寸的趋势子序列、季节子序列和残差序列，与关联特征数据进行融合，得到分别对应银行头寸的趋势子序列、季节子序列和残差序列的融合数据。
11.如权利要求7所述的装置，其特征在于，还包括：
银行头寸预测神经网络模型训练模块，用于：
按如下方式训练银行头寸预测神经网络模型：
将每一时刻的银行头寸的时序数据和关联特征数据作为输入数据，将该时刻的后一时刻的银行头寸的时序数据作为输出数据，得到训练数据集；
以所述训练数据集，对神经网络模型进行训练，得到训练好的银行头寸预测神经网络模型。
12.如权利要求11所述的装置，其特征在于，还包括：
银行头寸预测神经网络模型验证模块，用于：
将每一时刻的银行头寸的时序数据和关联特征数据作为输入数据，将该时刻的后一时刻的银行头寸的时序数据作为输出数据，得到验证数据集；
以所述验证数据集，对神经网络模型进行验证，得到验证好的银行头寸预测神经网络模型。
13.一种计算机设备，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计算机程序时实现权利要求1至6任一所述方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任一所述方法。
15.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211089418.5A CN115641195A (zh) | 2022-09-07 | 2022-09-07 | 银行头寸的预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211089418.5A CN115641195A (zh) | 2022-09-07 | 2022-09-07 | 银行头寸的预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115641195A true CN115641195A (zh) | 2023-01-24 |
Family
ID=84939854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211089418.5A Pending CN115641195A (zh) | 2022-09-07 | 2022-09-07 | 银行头寸的预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115641195A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117312991A (zh) * | 2023-11-29 | 2023-12-29 | 中国平安财产保险股份有限公司 | 一种分类识别系统的构建方法及其相关设备 |
-
2022
- 2022-09-07 CN CN202211089418.5A patent/CN115641195A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117312991A (zh) * | 2023-11-29 | 2023-12-29 | 中国平安财产保险股份有限公司 | 一种分类识别系统的构建方法及其相关设备 |
| CN117312991B (zh) * | 2023-11-29 | 2024-04-02 | 中国平安财产保险股份有限公司 | 一种分类识别系统的构建方法及其相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | Deep and confident prediction for time series at uber | |
| Yang et al. | Towards semi-automatic bug triage and severity prediction based on topic model and multi-feature of bug reports | |
| CA3133729A1 (en) | System and method for machine learning fairness test | |
| CN111369299B (zh) | 识别的方法、装置、设备及计算机可读存储介质 | |
| Verenich et al. | White-box prediction of process performance indicators via flow analysis | |
| Pavlenko et al. | Credit risk modeling using Bayesian networks | |
| CN117523418B (zh) | 一种多源遥感图像分析方法及系统 | |
| CN115641195A (zh) | 银行头寸的预测方法及装置 | |
| US20210142233A1 (en) | Systems and methods for process mining using unsupervised learning | |
| CN114386580A (zh) | 决策模型训练、决策方法、装置、电子设备及存储介质 | |
| CN115936159A (zh) | 基于自动特征挖掘的可解释信贷违约率预测方法、系统 | |
| CN115730947A (zh) | 银行客户流失预测方法及装置 | |
| Villani et al. | Feature importance for time series data: Improving kernelshap | |
| Mei et al. | Model provenance management in MLOps Pipeline | |
| Almqvist | A comparative study between algorithms for time series forecasting on customer prediction: An investigation into the performance of ARIMA, RNN, LSTM, TCN and HMM | |
| Xing et al. | Predicting NVIDIA's Next-Day Stock Price: A Comparative Analysis of LSTM, MLP, ARIMA, and ARIMA-GARCH Models | |
| US20060111993A1 (en) | System, method for deploying computing infrastructure, and method for identifying an impact of a business action on a financial performance of a company | |
| KR102519878B1 (ko) | 금융기관 신용공여 사업에서의 인공지능 기반 리스크 관리 솔루션을 제공하기 위한 장치, 방법 및 명령을 기록한 기록 매체 | |
| Huang et al. | Two-stage cost-sensitive local models for heterogeneous cross-project defect prediction | |
| Grote et al. | A Case Study on AI Engineering Practices: Developing an Autonomous Stock Trading System | |
| Sangiorgio et al. | Sensitivity of chaotic dynamics prediction to observation noise | |
| Hemajothi et al. | Prediction of Stock Price Model through the Implementation of Hybrid BiLSTM-GRU | |
| Shaini et al. | Using Machine Learning Techniques and Algorithms for Predicting the Time Length of Publishing a Law (TLOPL) in the Domain of e-Parliament | |
| Rotaru et al. | Test case prioritization based on neural network classification with artifacts traceability | |
| Kambale et al. | A Boxplot Metadata Configuration Impact on Time Series Forecasting and Transfer Learning |
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 |