CN115908007A - 基于智能体的客户理财产品购买选择行为仿真方法与系统 - Google Patents
基于智能体的客户理财产品购买选择行为仿真方法与系统 Download PDFInfo
- Publication number
- CN115908007A CN115908007A CN202211350415.2A CN202211350415A CN115908007A CN 115908007 A CN115908007 A CN 115908007A CN 202211350415 A CN202211350415 A CN 202211350415A CN 115908007 A CN115908007 A CN 115908007A
- Authority
- CN
- China
- Prior art keywords
- agent
- financial product
- behavior
- client
- satisfaction
- 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
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种基于智能体的客户理财产品购买选择行为仿真方法与系统,方法包括:确定不同风险等级的理财产品参数;基于不同风险等级的理财产品参数采用agent仿真模型对agent的购买决策行为进行仿真,绘制客户理财产品选择行为的时间演变图;所述agent仿真模型是以客户为agent,基于历史理财产品参数及历史客户行为数据分析具有不同行为模式的agent与购买决策交互作用下的行为规律以及与业务指标的关系,构建agent仿真模型;基于所述客户理财产品选择行为的时间演变图,给出对不同风险等级理财产品的客户选择行为。本发明构造具有不同行为模式的客户智能体agent,对不同风险偏好、不同理财产品时的选择行为,提供仿真模拟方法。
Description
技术领域
本发明涉及算法推荐技术领域,特别是涉及一种基于智能体的客户理财产品购买选择行为仿真方法与系统。
背景技术
伴随着居民收入的增长和富裕阶层的多元化,越来越多的投资者将银行理财产品作为重要的投资品种,商业银行之间的竞争日益增大,个人理财业务已成为商业银行重要盈利业务。而目前国内理财业务“同质化”现象严重,理财产品特点不鲜明、差别不明显,故从客户的角度出发,研究客户的理财产品选择行为,针对不同客群,找到一种更为差异化的理财产品设计、发行、推荐策略就尤为重要。这就需要建立一个系统模型,能够研究不同理财产品策略下,用户的购买效果,有助于银行设计差异化理财产品,以及理财产品策略推荐研究。
现有的对客户行为的研究多是基于实证数据分析建模或是理论层面的定性分析。实证数据分析,一般采用机器学习监督学习模型,通过选取客户人口统计信息、历史购买数据,进行实证数据分析建模,通常基于逻辑回归、梯度提升树等模型,分析影响客户购买行为的影响因素;理论层面分析,通常是从理财产品设计、金融学角度分析理财产品改进方向。
发明内容
为解决现有技术存在的问题,本发明提供一种基于智能体的客户理财产品购买选择行为仿真方法与系统。本发明为研究不同风险偏好的客户,对不同理财产品时的选择行为,提供仿真模拟方法。
为达到上述目的,本发明采用了以下技术方案:
一种基于智能体的客户理财产品购买选择行为仿真方法,包括:
确定不同风险等级的理财产品参数;
基于不同风险等级的理财产品参数采用agent仿真模型对agent的购买决策行为进行仿真,绘制客户理财产品选择行为的时间演变图;所述agent仿真模型是以客户为agent,基于历史理财产品参数及历史客户行为数据分析具有不同行为模式的agent与购买决策交互作用下的行为规律以及与业务指标的关系,构建agent仿真模型;
基于所述客户理财产品选择行为的时间演变图,给出对不同风险等级理财产品的客户选择行为。
作为本发明的进一步改进,所述确定不同风险等级理财产品参数,包括预期收益率、预测性实际收益率,其中,
预测性实际收益率通过历史实际收益率数据,通过真实数据、时间序列模型、线性模型、随机概率分布拟合统计模型得出。
作为本发明的进一步改进,所述历史理财产品参数包括理财产品的预期收益率、理财产品费率以及体验度;
所述历史客户行为数据包括位置、社交半径、持有的理财产品种类以及投资金额、服务等级、风险态度、满意度;
其中,位置是一组包含x和y两个值的坐标信息,表示agent所处的位置;社交半径代表每个agent与以所处位置为圆心,社交半径范围以内位置的agent进行交互;持有的理财产品种类表示客户目前持有的理财产品种类,若客户从来未购买过理财产品,此属性值为空值,若已经购买过,则为当前客户持有的所有理财产品代码;投资金额则是客户投资的每种理财产品对应的投资金额;服务等级反映了银行综合服务质量按照客户星级等分成若干个等级。
作为本发明的进一步改进,所述基于历史理财产品参数及历史客户行为数据分析具有不同行为模式的agent与购买决策交互作用下的行为规律以及与业务指标的关系,构建agent仿真模型;具体是:
假设有N个分布在社交网络中的agent,在每个仿真系统时间里,agent不购买理财产品,或者agent选择购买理财产品、产生满意度、发生社交活动及决策再次购买;购买决策受到理财产品预期收益率、费率以及理财产品综合体验度的影响;理财产品的风险等级体现在预期收益率与实际收益率波动程度上,客户的风险偏好影响理财产品满意度以及下期理财产品的购买动机;社交活动是每期购买理财产品后交流费率、理财产品预期收益率以及上期理财产品的综合体验度;
对客户行为建立agent仿真模型时,考虑客户之间的信息交流、客户购买决策、社交网络、市场因素,并融入银行理财产品客户行为和客户的风险偏好。
作为本发明的进一步改进,所述基于理财产品的预期收益率、预测性实际收益率采用agent仿真模型对agent的购买决策行为进行仿真,绘制客户理财产品选择行为的时间演变图,包括:
根据理财产品实际数据分布情况,随机生成符合实际分布的agent风险偏好属性;
基于agent风险偏好属性,当客户投资的理财产品到期后,根据本期服务等级、投资金额以及实际收益率与到期收益率差值影响计算满意度效用;进而计算客户对理财产品的平均满意值作为客户对此理财产品的满意值;
agent基于本期理财产品的满意值、传播理财产品满意度及费率,接收社交范围内的agent的各理财产品满意度、预期收益率及费率信息;计算agent的理财产品的满意度效用函数;
根据agent根据本期满意度,计算下期投资金额;
若有仿真达到设定的预期最大仿真时间,则结束仿真流程;否则,重复当客户投资的理财产品到期后步骤,并更新时间到下一个时间步长;
根据仿真过程,绘制客户理财产品选择行为的时间演变图。
作为本发明的进一步改进,所述根据理财产品实际数据分布情况,随机生成符合实际分布的agent风险偏好属性,包括:
假定一部分客户已经选择购买不同类型的理财产品,一部分客户还未选择购买理财产品;随机生成符合实际分布的agent风险偏好属性包括:风险追求、风险中性、风险厌恶。
作为本发明的进一步改进,所述根据本期服务等级、投资金额以及实际收益率与到期收益率差值影响计算满意度效用,包括:
计算满意度效用y_satisfaction:
y_satisfaction=(α*investAmt+β*serviceLevel+θ*interestDiff)*(htimes)
其中,investAmt代表投资金额,serviceLevel代表本期服务等级;interestDiff代表实际到期收益率与预期收益率的差值;实际到期收益率与预期收益率的差值计算过程如下:
ρ指示投资者的风险偏好:
其中,对不同风险态度的投资者取相同的β,λ为风险厌恶度,λ风险追求<λ风险中性<λ风险厌恶。
基于效用y_satisfaction,将预期收益率作为参考点,计算其与实际收益率的差值作为盈亏x,代入U(x)中,将此效用作为衡量盈亏满意度的量度,从而每个客户在盈利/亏损会有不同程度的满意度/不满意度产生;
α,β,θ代表上述三个影响因素的权重,相加和等于1;
htimes为随着时间流逝,重复购买行为的增加,客户满意度的衰减效应,h是一个满意度习惯因子,取值在0-1之间,times代表重复购买理财产品的期数,α,β,θ分别是投资金额,服务等级,实际收益率是否达到预期收益率因素的权重。
作为本发明的进一步改进,计算agent的理财产品的满意度效用函数,包括:
按照如下公式计算agent的理财产品i效用y_utility_pi:
式中,y_utility_pi表示第i个理财产品的效用,表示agent从社交网络中接收到的第i个理财产品满意度状态传播的平均值,S表示客户对目前选择的理财产品的当前满意度,表示agent从社交网络中接收到的第i个理财产品的费率传播的平均值,fee表示客户目前持有的理财产品的费率;表示agent从社交网络中接受到的第i个理财产品的预期收益率,rate表示目前客户持有的理财产品的费率;
其中,计算客户对理财产品的平均满意值,并基于两个满意度阈值threshold_1与threshold_2,将客户划分为三个状态:非常满意,中等满意,非常不满意。
作为本发明的进一步改进,根据agent根据本期满意度,计算下期投资金额,包括:
随机生成一个符合均值为μ,方差为σ的正态分布的随机数,作为agent的下期投资金额,其中均值μ的计算公式如下:
investAmt*(1+μbase*state)
其中investAmt表示agent当前的投资金额,μbase为投资金额期望波动程度,state代表客户的满意度状态,满意度状态基于两个满意度阈值划分得到。
一种基于智能体的客户理财产品购买选择行为仿真装置,包括:
参数确定模块,用于确定不同风险等级的理财产品参数;
行为仿真模块,用于基于不同风险等级的理财产品参数采用agent仿真模型对agent的购买决策行为进行仿真,绘制客户理财产品选择行为的时间演变图;所述agent仿真模型是以客户为agent,基于历史理财产品参数及历史客户行为数据分析具有不同行为模式的agent与购买决策交互作用下的行为规律以及与业务指标的关系,构建agent仿真模型;
行为给出模块,用于基于所述客户理财产品选择行为的时间演变图,给出对不同风险等级理财产品的客户选择行为。
与现有技术相比,本发明的有益效果体现在:
本发明将基于智能体agent建模方法应用于银行理财产品客户行为仿真,基于投资者异质性与不完全理性的假设,选择研究银行竞争环境下,封闭式,非保本浮动收益的稳健型与进取型理财产品市场,构造具有不同行为模式的客户智能体agent,为研究不同风险偏好的客户,对不同理财产品时的选择行为,提供仿真模拟方法。本发明agent仿真模型从行为金融学理论与实际客户选择行为机制角度设计,模拟客户真实行为,具有较强的可解释性,且对数据的依赖性相对来讲有所降低,对于过去从未出现过的理财产品策略,也可以基于行为金融理论支撑的客户行为反馈机制,模拟预测出未来的效果,具有一定可靠性;同时,在理论支撑之上,也可融入实际数据的验证校准,进一步通过调整不同的参数观察不同的模型效果,适应各种市场环境,观察到不同策略在不同情况下的影响,为具体的理财产品推荐策略模拟提供了灵活的可预测性分析环境。本发明使用此方法,具有很强的可解释性,可以有效的规避不可解释的机器学习模型带来的潜在风险,可追溯性强;同时通过调整不同的参数观察不同的模型输出效果,适应各种市场环境,也为具体的理财产品推荐策略模拟提供了灵活的可预测性分析环境。
附图说明
图1为本发明的基于智能体的客户理财产品购买选择行为仿真方法流程示意图;
图2本发明的购买选择行为系统结构;
图3为agent状态转移图;
图4为客户风险偏好效用函数曲线图;
图5为本发明基于智能体的客户理财产品购买选择行为仿真装置结构示意图;
图6为本发明一种电子设备结构示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明,旨在对本发明提供进一步的详细说明。除非另有指明,本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式,而并非意图限制根据本发明的示例性实施方式。
相关术语解释
基于智能体agent的模型:是一类计算模型,用于模拟自主智能体agent(个体或集体实体,如组织或团体)的行为和交互,以评估它们对整个系统的影响。基于智能体agent的模型是一种微观模型,它模拟多个智能体agent的同时操作和交互,试图重新创建和预测复杂现象的出现。这一过程是一个涌现的过程,有人将其表述为“整体大于部分之和”。换言之,更高层次的系统属性来自于较低层次子系统的交互作用。或者,宏观尺度的状态变化是由微观尺度的主体行为产生的。或者,简单的行为(意味着由主体遵循的规则)会产生复杂的行为(意味着整个系统级别的状态变化)。
理财产品:即由商业银行和正规金融机构自行设计并发行的理财产品,将募集到的资金根据理财产品合同约定投入相关金融市场及购买相关金融理财产品,获取投资收益后,根据合同约定分配给投资人的一类理财产品。
封闭式理财产品:所谓封闭式理财产品,即该理财产品在理财产品说明书中公布的固定赎回日期或者理财产品到期日前,该理财产品不能提前赎回。常见的封闭型理财产品包括封闭式银行理财产品,即在固定周期才开发申购赎回的。
机器学习与监督学习:机器学习是一种数据分析技术,让计算机执行人和动物与生俱来的活动:从经验中学习。机器学习算法使用计算方法直接从数据中“学习”信息,而不依赖于预定方程模型。当可用于学习的样本数量增加时,这些算法可自适应提高性能。根据训练方法大致可以分成3大类:监督学习、非监督学习、强化学习;
其中监督学习是指我们给算法一个数据集。机器通过数据来学习正确答案的计算方法。监督式机器学习能够根据已有的包含不确定性的数据建立一个预测模型。监督式学习算法接受已知的输入数据集(包含预测变量)和对该数据集的已知响应(输出,响应变量),然后训练模型,使模型能够对新输入数据的响应做出合理的预测。如果您尝试去预测已知数据的输出,则使用监督式学习。
分类问题:分类技术可预测离散的响应—例如,电子邮件是不是垃圾邮件,客户会购买哪一种理财产品。分类模型可将输入数据划分成不同类别。典型的应用包括医学成像、语音识别和信用评估。如果数据能进行标记、分类或分为特定的组或类,则使用分类。其中仅有两种分类可能,比如是不是垃圾邮件(是、不是两种分类)等的问题被称为二分类问题,而分类有两种以上的可能,比如涵盖两种以上类别的理财产品等问题,被称为多分类问题。用于实现分类的常用算法包括:支持向量机(SVM)、提升(boosted)决策树和袋装(bagged)决策树、k-最近邻、朴素贝叶斯(Bayes)、判别分析、逻辑回归和神经网络等。
非保本浮动收益理财产品:非保本浮动收益理财产品是指商业银行根据约定条件和理财业务的实际投资收益情况向投资者支付收益,并不保证投资者本金安全的理财计划。
理财产品分类:一般银行将理财产品风险由低到高分为R1(谨慎型)、R2(稳健型)、R3(平衡型)、R4(进取型)、R5(激进型)五个级别。
银行理财产品客户属于投资者,通常被划分为无风险型、保守型、稳健型以及进取型。本发明主要建模对象是具有一定风险承受能力的稳健型以及进取型投资者,其中进取型客户相对稳健型投资者能够接收较长时间与较大幅度的负面波动,能够承受本金损失。为了更大限度的获得资金增值,常常愿意承担较大的风险。
对银行理财客户的理财产品选择决策机制研究属于投资者行为研究范围,适用于投资者行为研究相关理论。早期的研究假设所有个体均是理性的决策者,均是风险厌恶的,个体决策依据对效用的精确计算和最大效用原则决策,对投资者行为进行分析、建模、研究,比如马科维茨(Markowitz)的资产组合理论、夏普(sharp)等的资本资产定价模型(Capital Asset Pricing Model,CAPM)等经典投资理论。然而实证研究中逐渐发现,理性投资者理论无法完全解释投资者的决策行为,故基于不完全理性经济人假设基础上的行为金融学逐渐发展,Kahneman和Tversky(1979)提出前景理论,提出投资者在盈利时是风险厌恶的,而亏损时是风险偏好的,使用价值函数代替传统效用函数。更有随后的很多研究基于投资者异质性视角分析投资者的投资行为。刘伟等基于商业银行理财产品的选择实验研究中研究了风险态度异质性对客户投资行为的以及风险态度对投资者选择行为的作用机制,其中异质风险态度的投资者通过对理财产品的特征属性不同偏好产生的效用大小来决定其投资选择行为。
本发明基于已有的研究,归纳银行理财产品客户具有如下特性:行为异质性,主要体现于其具有不同风险偏好,进一步形成不同的行为模式;行为适应性与反馈性,客户可以自行调整自身行为,其行为受到之前的经验(往期购买的理财产品收益情况,银行服务体验等),以及与环境的交互影响(口碑效应等),具有反馈机制;行为自主独立性,每个客户都是独立的个体,其行为动态性,适应性不受一个中心控制体控制,行为也不能由一个客户主体替代。综合以上特性,银行理财产品客户理财产品选择行为研究是一个复杂系统工程问题,agent-based model是复杂系统工程研究的有效办法,agent是自主决策的主体或对象,agent-based model由agent以及agent之间的交互框架组成。此方法近年来逐渐应用于客户行为分析,这些研究提取出客户的行为规律,集中于研究客户决策机制、流失率、客户终身价值(CLV)演化等问题。而在金融领域,特别是理财产品客户理财产品选择领域,这种方法还没有投入使用,但是如上文所述,理财客户的理财产品选择行为机制与其他行业有一定共通性,基于智能体agent建模是个很好的解决方法。
1、理论层面分析,通常是从理财产品设计、金融学角度分析理财产品改进方向。比如理财产品的风险等级等参数,是否可以进一步细分,更加匹配到客户的风险类型等。
2、实证数据分析,一般选取客户人口统计信息、历史购买数据,进行实证数据分析建模,通常基于逻辑回归、梯度提升树等机器学习模型,分析影响客户购买行为的影响因素。将客户是否购买理财产品,或者购买哪几种理财产品作为分析目标,建立二分类或者多分类模型,进行客户购买倾向的预测性分析。
而在其他客户行为研究领域(通信、保险行业等),基于智能体的仿真建模(agent-based model)技术已经广泛应用,并且取得了不错的效果。这些研究将每个客户是为具有不同行为准则的个体,并且其行为受到周围因素(比如社交网络、理财产品策略等)的影响,集中于研究客户决策机制,观察流失率、客户终身价值(CLV)演化等问题。而对于理财产品,客户行为与这些领域有一定共通性,同样可以抽象成具有自主行为模式的智能体。
基于实证分析的建模研究,一般选取客户人口统计信息、历史购买数据,进行实证数据分析建模,通常基于逻辑回归、梯度提升树等机器学习模型,分析影响客户购买行为的影响因素。这类机器学习模型,对于数据质量依赖性较强、可解释性相对较差、且对于过去从未出现过的理财产品策略难以给出可靠的客户行为预测结果;基于理论层面的研究,是从理财产品设计参与金融理论角度出发,给出宏观策略,缺乏实证数据的验证,也不能给出策略对用户实际行为产生的影响。
银行理财产品客户具有如下特性:行为异质性,主要体现于其具有不同风险偏好,进一步形成不同的行为模式;行为适应性与反馈性,客户可以自行调整自身行为,其行为受到之前的经验(往期购买的理财产品收益情况,银行服务体验等),以及与环境的交互影响(口碑效应等),具有反馈机制;行为自主独立性,每个客户都是独立的个体,其行为动态性,适应性不受一个中心控制体控制,行为也不能由一个客户主体替代。综合以上特性,银行理财产品客户理财产品选择行为研究是一个复杂系统工程问题,agent-based model是复杂系统工程研究的有效办法,agent是自主决策的主体或对象,agent-based model由agent以及agent之间的交互框架组成。agent-based model非常适合作为银行理财客户行为研究,从用户基础微观行为角度出发观察其形成的宏观效果,具有很强的可解释性,以有效的规避不可解释的机器学习模型带来的潜在风险;同时通过调整不同的参数观察不同的模型输出效果,适应各种市场环境,也为具体的理财产品推荐策略模拟提供了灵活的可预测性分析环境。
本发明agent-based model则从行为金融学理论与实际客户选择行为机制角度设计,模拟客户真实行为,具有较强的可解释性,且对数据的依赖性相对来讲有所降低,对于过去从未出现过的理财产品策略,也可以基于行为金融理论支撑的客户行为反馈机制,模拟预测出未来的效果,具有一定可靠性;同时,在理论支撑之上,也可融入实际数据的验证校准,进一步通过调整不同的参数观察不同的模型效果,适应各种市场环境,观察到不同策略在不同情况下的影响,为具体的理财产品推荐策略模拟提供了灵活的可预测性分析环境。
如图1所示,本发明提供一种基于智能体的客户理财产品购买选择行为仿真方法,包括:
S1,确定不同风险等级的理财产品参数;
S2,基于不同风险等级的理财产品参数采用agent仿真模型对agent的购买决策行为进行仿真,绘制客户理财产品选择行为的时间演变图;所述agent仿真模型是以客户为agent,基于历史理财产品参数及历史客户行为数据分析具有不同行为模式的agent与购买决策交互作用下的行为规律以及与业务指标的关系,构建agent仿真模型;
S3,基于所述客户理财产品选择行为的时间演变图,给出对不同风险等级理财产品的客户选择行为。
银行理财产品客户的理财产品选择行为是一个涉及到客户、银行、银行理财产品市场等多因素的复杂系统。本发明将银行理财产品客户行为抽象成一系列心理决策机制,构造客户满意度效用函数,融入客户的社会及市场交互行为等因素,创建了大量不同的客户智能体agent来模拟实际客户行为,使用基于智能体agent建模方法搭建竞争市场环境下的客户行为仿真系统。
本发明所述理财产品为非保本浮动收益、封闭式的银行理财产品。
所述确定不同风险等级理财产品参数,包括预期收益率、预测性实际收益率,其中,
预测性实际收益率通过历史实际收益率数据,通过真实数据、时间序列模型、线性模型、随机概率分布拟合统计模型得出。
所述历史理财产品参数包括理财产品的预期收益率、理财产品费率以及体验度;
所述历史客户行为数据包括位置、社交半径、持有的理财产品种类以及投资金额、服务等级、风险态度、满意度;
其中,位置是一组包含x和y两个值的坐标信息,表示agent所处的位置;社交半径代表每个agent与以所处位置为圆心,社交半径范围以内位置的agent进行交互;持有的理财产品种类表示客户目前持有的理财产品种类,若客户从来未购买过理财产品,此属性值为空值,若已经购买过,则为当前客户持有的所有理财产品代码;投资金额则是客户投资的每种理财产品对应的投资金额;服务等级反映了银行综合服务质量按照客户星级等分成若干个等级。
所述基于历史理财产品参数及历史客户行为数据分析具有不同行为模式的agent与购买决策交互作用下的行为规律以及与业务指标的关系,构建agent仿真模型;具体是:
假设有N个分布在社交网络中的agent,在每个仿真系统时间里,agent不购买理财产品,或者agent选择购买理财产品、产生满意度、发生社交活动及决策再次购买;购买决策受到理财产品预期收益率、费率以及理财产品综合体验度的影响;理财产品的风险等级体现在预期收益率与实际收益率波动程度上,客户的风险偏好影响理财产品满意度以及下期理财产品的购买动机;社交活动是每期购买理财产品后交流费率、理财产品预期收益率以及上期理财产品的综合体验度;
对客户行为建立agent仿真模型时,考虑客户之间的信息交流、客户购买决策、社交网络、市场因素,并融入银行理财产品客户行为和客户的风险偏好。
具体说明如下:
系统研究环境是非保本浮动收益,封闭式(固定期限)的银行理财产品竞争市场。此种理财产品的特征是不保证本金与理财收益,理财产品开放申购后,银行会发布其预期收益率,预期收益率仅为业绩基准,作为参考指标,最终收益以理财产品到期后的实际收益率为准,并且理财产品申购成功后,在一个事先约定好的封闭时间期内,理财投资者不得继续递增金额及提前赎回,需要在此投资期结束之后收回本金和收益。银行会定期滚动开放申购期,客户可在理财产品到期后,决定是否继续申购。
本发明主要研究不同风险偏好的客户,在波动的理财产品实际收益率的影响下,对不同风险等级理财产品的选择行为的演化规律。
本系统假设有N个分布在社交网络中的agent。在每个仿真系统时间里,可以保持不购买理财产品的状态,或者选择购买理财产品、产生满意度、发生社交活动、决策再次购买等。其中购买决策受到理财产品预期收益率与费率,以及理财产品综合体验度的影响。同时理财产品的风险等级主要体现在预期收益率与实际收益率波动程度上,客户的风险偏好主要影响其通过理财产品是否达到预期收益率影响的理财产品满意度以及下期理财产品预期收益率带来的购买动机。而社交活动主要是每期购买理财产品后交流费率,理财产品预期收益率以及上期理财产品的综合体验度。
对客户行为建模时,本发明在建立客户行为模型时考虑了客户之间的信息交流、客户购买决策、社交网络、市场等因素,将其修改并融入银行理财产品客户行为建模。其中客户的风险偏好间接影响客户的购买决策行为。系统结构如图2所示。
agent行为被抽象成如图3所示的状态转移图。状态转移图展示了agent的所有可能状态,以及各个状态,外界市场环境因素之间的影响关系。初始时,一部分客户已经选择购买不同类型的理财产品,一部分客户还未选择购买理财产品。对所有客户引入客户风险偏好属性:风险追求、风险中性、风险厌恶。当客户投资的理财产品到期后,此时会产生受本期服务等级、投资金额以及实际收益率与到期收益率差值影响的综合满意度,从而被划分到不同的满意状态,影响下期投资金额,以及发生社交行为,比如传播理财产品知识,体验度等。然后综合考虑各理财产品的决策效用,其中效用受到体验度、费率、下期预期收益率等因素影响,用户会选择理财产品决策效用高的理财产品进行购买。当客户长期对理财产品产生不满意的状态,会导致客户退出理财市场。
其中客户风险偏好对客户行为的影响主要体现在:一方面是对客户产生满意度时的实际收益率因素引入考虑用户风险偏好的满意度效用函数;另一方面是当客户进行购买决策,理财产品选择时,构造引入客户风险偏好的理财产品决策效用函数。
当客户的期望收益比已有的无风险投资理财产品的收益高时,客户会选择投资;同时,当客户已经选择一个投资理财产品时,投资理财产品的实际收益率是否达到预期收益率,也将影响客户是否继续投资同一种理财产品。本发明在客户选择理财产品决策行为以及客户对已有理财产品是否继续投资决策行为描述时,采用客户投资效用函数。
投资者会选择一个参考点作为衡量盈利与亏损的标准点,其决策行为取决于一个价值函数,在盈利时是凹函数,反应投资者在盈利时是风险厌恶的,而在亏损时则是风险爱好的。采用具体的效用函数,价值函数为:
其中x为预期收益与参考点的差值。
假设了三种投资者风险偏好:风险追求、风险中性、风险厌恶,并假设其效用函数为:
当ρ>0时此函数形式为前景理论价值函数的x≥0的函数延展形式,扩大ρ的取值范围后,因为幂效用函数的凸性完全由ρ的符号决定,因此ρ可以指示投资者的风险偏好,即:
但此函数,仅适用于刻画x≥0的情况。其构造思想是在投资者效用函数中融入风险态度等因素,通过曲线的凹凸的程度来表示风险规避或偏好的大小。本发明结合此函数的扩充构造思想与前景理论价值函数形式,构造x<0的的效用函数:
U(x)=-λ(-xβ),x<0
其中对不同风险态度的投资者取相同的β,λ为损失厌恶系数,而根据风险追求,风险中性,风险厌恶的投资者对亏损的敏感度依次升高,本发明假设λ风险追求<λ风险中性<λ风险厌恶。
构造后的客户风险偏好效用函数如下图4所示:
该曲线表示了,等量的损失会给风险厌恶的客户带来最多的效用损失(可以理解为痛苦),风险中性者其次,风险追求者最低。体现了不同风险偏好的客户对风险的合理承担能力。
等量的盈利会给风险追求者带来最多的效用增加(理解为喜悦),风险中性者其次,风险厌恶者最低。
风险追求的客户对亏损的忍耐度最高,盈利越多效用增大的越快;风险厌恶的客户对亏损的容忍度最低,随着盈利的增长,效应增大的速度逐渐放缓;而风险中性的客户居于风险追求与风险厌恶之间。
本发明通过构造一个满意度效用函数来衡量客户满意度,将满意度分解成服务等级、投资金额以及是否达到预期收益率三个因素,其中服务等级量化服务质量,投资金额反应客户收入水平,是否达到预期收益率反应理财产品收益情况。此满意度取值在0-100之间,100代表最高满意度,取值越高,代表满意程度越高:
y_satisfaction=(α*investAmt+β*serviceLevel+θ*interestDiff)*(htimes),(1)
其中,investAmt代表投资金额,投资金额越大,用户满意度越高,反映了客户收入水平,收入水平越高,可支配收入越多,可用于投资的金额也越大。serviceLevel代表本期服务等级,被分配的服务等级越高,用户满意度越高。服务等级反映了银行综合服务质量,包括理财经理业务能力(通过绩效评估测评)、处理投诉速度、服务设施(VIP接待室等)、营销短信发送次数等因素。interestDiff代表实际到期收益率与预期收益率的差值,盈利越多,用户越满意,亏损反之。反映了客户对理财产品回报率和风险控制的评估。
本发明基于前述融合风险偏好的效用函数,将预期收益率作为参考点,计算其与实际收益率的差值作为盈亏x,代入U(x)中,将此效用作为衡量盈亏满意度的量度,从而每个客户在盈利/亏损会有不同程度的满意度/不满意度产生。htimes反映了随着时间流逝,重复购买行为的增加,客户满意度的衰减效应。h是一个满意度习惯因子,取值在0-1之间。times代表重复购买理财产品的期数。α,β,θ分别是投资金额,服务等级,实际收益率是否达到预期收益率因素的权重。本发明将通过分配给每个agent不同的α,β,θ权重引入客户差异性。
每次客户购买的理财产品到期后,都会根据此公式计算客户的满意值,本发明将计算客户对理财产品的平均满意值作为客户对此理财产品的满意值,并基于两个满意度阈值threshold_1与threshold_2,将客户划分为三个状态:非常满意,中等满意,非常不满意。
口碑交流(WOM)对购买决策行为占据一定主要的影响。本系统设计的交流活动在所有agent之间发生。每个agent均匀分布在社交网络中,每个agent会与其社交半径内的agent发生交流。已经使用过某理财产品的agent在完成购买理财产品,产生满意度后,会相互交流本期理财产品的综合满意度,下期理财产品的费率,作为理财产品体验交流,同时此用户对理财产品的体验度即为其对理财产品的满意值;从未使用过某理财产品的agent会接收社交网络内其他agent的信息相关信息,由于其从未使用过此理财产品,其理财产品体验度为其社交网络内,使用过此种理财产品的agent的满意值的平均值。
客户的购买决策行为通过设计理财产品决策效用函数,使得客户的下期理财产品决策行为仍旧受到预期收益率、理财产品体验度、费率三个因素的影响,对每个理财产品分别计算效用值,客户总是会购买效用值高的理财产品,效用函数的具体形式如下:
Utility=α*u_interest+β*u_fee_rate+θ*u_experience (2)
α、β、θ为效用函数的权重。其中u_interest反应预期收益率对决策的影响,基于上文融合风险偏好的效用函数,本部分将银行存款利率作为无风险利率参考点,将(预期收益率–银行存款利率)代入效用函数计算,当相比无风险利率的预期收益率更高时,不同风险偏好的客户会有不同程度的倾向去投资理财产品;u_fee_rate反应费率对用户决策的影响,客户交流下期理财产品费率后,每个客户会得到其社交半径内的客户的理财产品费率平均值。每个客户会将所有理财产品的费率与此平均费率比较,得到费率效用;u_experience反映了理财产品体验度对决策行为的影响,主要体现在客户对每期理财产品到期后产生的综合满意度。客户若使用过理财产品,则此理财产品的u_experience即为客户的本期满意值;若未使用过,则为其社交半径内,使用过此理财产品的客户的平均本期满意值。
仿真系统将客户均匀分布在不同区域,每个客户可以与半径x范围以内的客户进行交互,本发明定义此半径x为社交半径,x的值越大,代表每个客户将会与更多的客户进行交互。系统仿真步骤如下:
步骤1:确定理财产品的相关参数:理财产品的预期收益率、预测性实际收益率。其中预测性实际收益率可以通过历史实际收益率数据,通过真实数据、时间序列模型、线性模型、随机概率分布拟合等统计模型得出。
步骤2:基于智能体agent建模
步骤2.1:agent的属性:本发明将客户抽象为agent,agent包括的属性有:位置、社交半径、持有的理财产品种类以及投资金额、服务等级、风险态度、满意度;位置是一组包含x和y两个值的坐标信息,表示agent所处的位置。社交半径代表,每agent可以与以所处位置为圆心,社交半径范围以内位置的agent进行交互。社交半径越大,代表每个客户将会与更多的客户进行交互。购买的理财产品种类表示客户目前持有的理财产品种类,若客户从来未购买过理财产品,此属性值为空值,若已经购买过,则为当前客户持有的所有理财产品代码。投资金额则是客户投资的每种理财产品对应的投资金额。服务等级反映了银行综合服务质量,包括理财经理业务能力(通过绩效评估测评)、处理投诉速度、服务设施(VIP接待室等)、营销短信发送次数等因素。可以采用模糊评价法测评,将银行服务等级按照客户星级等分成若干个等级,等级越高,代表agent可享受到更高质量的服务。
风险态度,即代表客户投资理财产品时的风险态度,分为风险中性、风险偏好、风险厌恶。
满意度,代表客户的满意程度,分成非常满意,中等满意,非常不满意三种状态程度。受到agent服务等级、agent投资金额以及是否达到预期收益率三个因素影响。
步骤2.2:agent的购买决策行为仿真:仿真模型在时间上是离散的,并按照time-step作为单位去进行推进。每个time-step对应现实世界的一段时间。本发明中的每个time-step代表一个封闭式理财产品的周期,代表客户从购买一期理财产品,到理财产品到期,再到下一期理财产品开放申购的周期。agent每个周期内的选择决策流程如图3所示:
(1)初始时,一部分客户已经选择购买不同类型的理财产品,一部分客户还未选择购买理财产品。根据实际数据分布情况,随机生成符合实际分布的agent风险偏好属性:风险追求、风险中性、风险厌恶。
(2)当客户投资的理财产品到期后,此时会产生受本期服务等级、投资金额以及实际收益率与到期收益率差值影响的综合满意度。满意度的计算过程如下:
计算满意度效用y_satisfaction:
y_satisfaction=(α*investAmt+β*serviceLevel+θ*interestDiff)*(htimes),(1)
其中investAmt代表投资金额,投资金额越大,用户满意度越高,反映了客户收入水平,收入水平越高,可支配收入越多,可用于投资的金额也越大。serviceLevel代表本期服务等级,被分配的服务等级越高,用户满意度越高。服务等级反映了银行综合服务质量,包括理财经理业务能力(通过绩效评估测评)、处理投诉速度、服务设施(VIP接待室等)、营销短信发送次数等因素。
interestDiff代表实际到期收益率与预期收益率的差值,盈利越多,用户越满意,亏损反之。反映了客户对理财产品回报率和风险控制的评估。计算过程如下:
ρ指示投资者的风险偏好,即,其中ρ的取值在-1到+1之间,其绝对值越大,代表风险追求(厌恶)的程度越大:
其中对不同风险态度的投资者取相同的β,而根据风险追求,风险中性,风险厌恶的投资者对亏损的敏感度依次升高,本发明假设λ风险追求<λ风险中性<λ风险厌恶。
本发明基于此效用y_satisfaction,将预期收益率作为参考点,计算其与实际收益率的差值作为盈亏x,代入U(x)中,将此效用作为衡量盈亏满意度的量度,从而每个客户在盈利/亏损会有不同程度的满意度/不满意度产生。
α,β,θ代表上述三个影响因素的权重,相加和等于1。值越大,代表agent对某个因素越在意。
htimes反映了随着时间流逝,重复购买行为的增加,客户满意度的衰减效应。h是一个满意度习惯因子,取值在0-1之间。times代表重复购买理财产品的期数。α,β,θ分别是投资金额,服务等级,实际收益率是否达到预期收益率因素的权重。
最后计算客户对理财产品的平均满意值作为客户对此理财产品的满意值,并基于两个满意度阈值threshold_1与threshold_2,将客户划分为三个状态:非常满意,中等满意,非常不满意。
(3)agent基于本期理财产品的满意度,传播理财产品满意度,费率(客户需要向银行支付的所有费用比率,包括投资管理费率,托管费率等)。接收社交范围内的agent的各理财产品满意度以及预期收益率,费率信息。
(4)按照如下公式计算agent的理财产品i效用y_utility_pi,选择效用高的理财产品作为下期投资选择理财产品:
y_utility_pi表示第i个理财产品的效用,表示agent从社交网络中接收到的第i个理财产品满意度状态传播的平均值,S表示客户对目前选择的理财产品的当前满意度。表示agent从社交网络中接收到的第i个理财产品的费率传播的平均值,fee表示客户目前持有的理财产品的费率。表示agent从社交网络中接受到的第i个理财产品的预期收益率,rate表示目前客户持有的理财产品的费率。
(5)agent根据本期满意度,决定下期投资金额。其中客户满意程度越高,下期追加投资金额的概率越大。若投资金额降为零,则视为退出理财市场,不再购买理财产品。两种理财产品对流失的客户,清除客户信息,客户价值清零。
随机生成一个符合均值为μ,方差为σ的正态分布的随机数,作为agent的下期投资金额。其中均值μ的计算公式如下:
investAmt*(1+μbase*state)
其中investAmt表示agent当前的投资金额,μbase为投资金额期望波动程度,state代表客户的满意度状态。当客户非常满意时,取值为1,非常不满意时,取值为-1,中等满意时,取值为0。
(6)若有系统达到设定的预期最大仿真时间,则结束仿真流程。否则,重复步骤(2)。更新时间到下一个time step。
(7)根据系统运行结果,分别绘制客户理财产品选择行为的时间演变图。
如图5所示,本发明还提供一种基于智能体的客户理财产品购买选择行为仿真系统,包括:
参数确定模块,用于确定不同风险等级的理财产品参数;
行为仿真模块,用于基于不同风险等级的理财产品参数采用agent仿真模型对agent的购买决策行为进行仿真,绘制客户理财产品选择行为的时间演变图;所述agent仿真模型是以客户为agent,基于历史理财产品参数及历史客户行为数据分析具有不同行为模式的agent与购买决策交互作用下的行为规律以及与业务指标的关系,构建agent仿真模型;
行为给出模块,用于基于所述客户理财产品选择行为的时间演变图,给出对不同风险等级理财产品的客户选择行为。
如图6所示,本发明第三个目的是提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述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所述基于智能体的客户理财产品购买选择行为仿真方法的步骤。
本发明第四个目的是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所述基于智能体的客户理财产品购买选择行为仿真方法的步骤。
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、或计算机程序理财产品。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理财产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序理财产品的流程图和/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。
Claims (10)
1.一种基于智能体的客户理财产品购买选择行为仿真方法,其特征在于,包括:
确定不同风险等级的理财产品参数;
基于不同风险等级的理财产品参数采用agent仿真模型对agent的购买决策行为进行仿真,绘制客户理财产品选择行为的时间演变图;所述agent仿真模型是以客户为agent,基于历史理财产品参数及历史客户行为数据分析具有不同行为模式的agent与购买决策交互作用下的行为规律以及与业务指标的关系,构建agent仿真模型;
基于所述客户理财产品选择行为的时间演变图,给出对不同风险等级理财产品的客户选择行为。
2.根据权利要求1所述的基于智能体的客户理财产品购买选择行为仿真方法,其特征在于,
所述确定不同风险等级理财产品参数,包括预期收益率、预测性实际收益率,其中,
预测性实际收益率通过历史实际收益率数据,通过真实数据、时间序列模型、线性模型、随机概率分布拟合统计模型得出。
3.根据权利要求1所述的基于智能体的客户理财产品购买选择行为仿真方法,其特征在于,
所述历史理财产品参数包括理财产品的预期收益率、理财产品费率以及体验度;
所述历史客户行为数据包括位置、社交半径、持有的理财产品种类以及投资金额、服务等级、风险态度、满意度;
其中,位置是一组包含x和y两个值的坐标信息,表示agent所处的位置;社交半径代表每个agent与以所处位置为圆心,社交半径范围以内位置的agent进行交互;持有的理财产品种类表示客户目前持有的理财产品种类;投资金额则是客户投资的每种理财产品对应的投资金额;服务等级反映了银行综合服务质量按照客户星级等分成若干个等级。
4.根据权利要求1所述的基于智能体的客户理财产品购买选择行为仿真方法,其特征在于,
所述基于历史理财产品参数及历史客户行为数据分析具有不同行为模式的agent与购买决策交互作用下的行为规律以及与业务指标的关系,构建agent仿真模型;具体是:
假设有N个分布在社交网络中的agent,在每个仿真系统时间里,agent不购买理财产品,或者agent选择购买理财产品、产生满意度、发生社交活动及决策再次购买;购买决策受到理财产品预期收益率、费率以及理财产品综合体验度的影响;理财产品的风险等级体现在预期收益率与实际收益率波动程度上,客户的风险偏好影响理财产品满意度以及下期理财产品的购买动机;社交活动是每期购买理财产品后交流费率、理财产品预期收益率以及上期理财产品的综合体验度;
对客户行为建立agent仿真模型时,考虑客户之间的信息交流、客户购买决策、社交网络、市场因素,并融入银行理财产品客户行为和客户的风险偏好。
5.根据权利要求1所述的基于智能体的客户理财产品购买选择行为仿真方法,其特征在于,
所述基于理财产品的预期收益率、预测性实际收益率采用agent仿真模型对agent的购买决策行为进行仿真,绘制客户理财产品选择行为的时间演变图,包括:
根据理财产品实际数据分布情况,随机生成符合实际分布的agent风险偏好属性;
基于agent风险偏好属性,当客户投资的理财产品到期后,根据本期服务等级、投资金额以及实际收益率与到期收益率差值影响计算满意度效用;进而计算客户对理财产品的平均满意值作为客户对此理财产品的满意值;
agent基于本期理财产品的满意值、传播理财产品满意度及费率,接收社交范围内的agent的各理财产品满意度、预期收益率及费率信息;计算agent的理财产品的满意度效用函数;
根据agent根据本期满意度,计算下期投资金额;
若有仿真达到设定的预期最大仿真时间,则结束仿真流程;否则,重复当客户投资的理财产品到期后步骤,并更新时间到下一个时间步长;
根据仿真过程,绘制客户理财产品选择行为的时间演变图。
6.根据权利要求5所述的基于智能体的客户理财产品购买选择行为仿真方法,其特征在于,
所述根据理财产品实际数据分布情况,随机生成符合实际分布的agent风险偏好属性,包括:
假定一部分客户已经选择购买不同类型的理财产品,一部分客户还未选择购买理财产品;随机生成符合实际分布的agent风险偏好属性包括:风险追求、风险中性、风险厌恶。
7.根据权利要求5所述的基于智能体的客户理财产品购买选择行为仿真方法,其特征在于,
所述根据本期服务等级、投资金额以及实际收益率与到期收益率差值影响计算满意度效用,包括:
计算满意度效用y_satisfaction:
y_satisfaction=(α*investAmt+β*servixeLevel+θ*interestDiff)*(htimes)
其中,代表投资金额,merviceLevel代表本期服务等级;interestDiff代表实际到期收益率与预期收益率的差值;实际到期收益率与预期收益率的差值计算过程如下:
ρ指示投资者的风险偏好:
其中,对不同风险态度的投资者取相同的β,λ为风险厌恶度,λ风险追求<λ风险中性<λ风险厌恶;
基于效用y_satisfaction,将预期收益率作为参考点,计算其与实际收益率的差值作为盈亏x,代入U(x)中,将此效用作为衡量盈亏满意度的量度,从而每个客户在盈利/亏损会有不同程度的满意度/不满意度产生;
α,β,θ代表上述三个影响因素的权重,相加和等于1;
htimes为随着时间流逝,重复购买行为的增加,客户满意度的衰减效应,h是一个满意度习惯因子,取值在0-1之间,times代表重复购买理财产品的期数,α,β,θ分别是投资金额,服务等级,实际收益率是否达到预期收益率因素的权重。
8.根据权利要求7所述的基于智能体的客户理财产品购买选择行为仿真方法,其特征在于,
计算agent的理财产品的满意度效用函数,包括:
按照如下公式计算agent的理财产品i效用y_utility_pi:
式中,y_utility_pi表示第i个理财产品的效用,表示agent从社交网络中接收到的第i个理财产品满意度状态传播的平均值,S表示客户对目前选择的理财产品的当前满意度,表示agent从社交网络中接收到的第i个理财产品的费率传播的平均值,fee表示客户目前持有的理财产品的费率;表示agent从社交网络中接受到的第i个理财产品的预期收益率,rate表示目前客户持有的理财产品的费率;
其中,计算客户对理财产品的平均满意值,并基于两个满意度阈值threshold_1与threshold_2,将客户划分为三个状态:非常满意,中等满意,非常不满意。
9.根据权利要求5所述的基于智能体的客户理财产品购买选择行为仿真方法,其特征在于,
根据agent根据本期满意度,计算下期投资金额,包括:
随机生成一个符合均值为μ,方差为σ的正态分布的随机数,作为agent的下期投资金额,其中均值μ的计算公式如下:
investAmt*(1+μbase*state)
其中investAmt表示agent当前的投资金额,μbase为投资金额期望波动程度,state代表客户的满意度状态,满意度状态基于两个满意度阈值划分得到。
10.一种基于智能体的客户理财产品购买选择行为仿真装置,其特征在于,包括:
参数确定模块,用于确定不同风险等级的理财产品参数;
行为仿真模块,用于基于不同风险等级的理财产品参数采用agent仿真模型对agent的购买决策行为进行仿真,绘制客户理财产品选择行为的时间演变图;所述agent仿真模型是以客户为agent,基于历史理财产品参数及历史客户行为数据分析具有不同行为模式的agent与购买决策交互作用下的行为规律以及与业务指标的关系,构建agent仿真模型;
行为给出模块,用于基于所述客户理财产品选择行为的时间演变图,给出对不同风险等级理财产品的客户选择行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211350415.2A CN115908007A (zh) | 2022-10-31 | 2022-10-31 | 基于智能体的客户理财产品购买选择行为仿真方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211350415.2A CN115908007A (zh) | 2022-10-31 | 2022-10-31 | 基于智能体的客户理财产品购买选择行为仿真方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115908007A true CN115908007A (zh) | 2023-04-04 |
Family
ID=86473663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211350415.2A Pending CN115908007A (zh) | 2022-10-31 | 2022-10-31 | 基于智能体的客户理财产品购买选择行为仿真方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908007A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117875724A (zh) * | 2024-03-12 | 2024-04-12 | 深圳市晟晟科技有限公司 | 一种基于云计算的采购风险管控方法及系统 |
-
2022
- 2022-10-31 CN CN202211350415.2A patent/CN115908007A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117875724A (zh) * | 2024-03-12 | 2024-04-12 | 深圳市晟晟科技有限公司 | 一种基于云计算的采购风险管控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Duffy | Macroeconomics: a survey of laboratory research | |
Chang et al. | Fuzzy Delphi and back-propagation model for sales forecasting in PCB industry | |
Ni et al. | Exchange rate prediction using hybrid neural networks and trading indicators | |
Gupta et al. | A hybrid approach for constructing suitable and optimal portfolios | |
CN115908007A (zh) | 基于智能体的客户理财产品购买选择行为仿真方法与系统 | |
Lotfi et al. | Artificial Intelligence methods: toward a new decision making tool | |
Vargas-Pérez et al. | Deep reinforcement learning in agent-based simulations for optimal media planning | |
Wan et al. | Autonomous agent models of stock markets | |
CN115713422A (zh) | 基于智能体的理财产品客户服务触达优化仿真方法与系统 | |
Booth | Automated algorithmic trading: Machine learning and agent-based modelling in complex adaptive financial markets | |
Kalaycı et al. | Optimal model description of finance and human factor indices | |
Ge et al. | Single stock trading with deep reinforcement learning: A comparative study | |
Chan et al. | Genetic algorithms in multi-stage portfolio optimization system | |
Kanzari et al. | A complex adaptive agent modeling to predict the stock market prices | |
Rahman et al. | Nearest neighbor classifier method for making loan decision in commercial bank | |
Bashiri et al. | Application of fuzzy logic for advertising marketing campaigns | |
Hasan et al. | A proposed fuzzy model for reducing the risk of insolvent loans in the credit sector as applied in Egypt | |
Gonçalves et al. | An evolutionary quantum game model of financial market dynamics-theory and evidence | |
Liu et al. | A model for evolution of investors behavior in stock market based on reinforcement learning in network | |
Medina-Borja | Embedding humans into service systems analysis: the evolution of mathematical thinking about services | |
Motzev et al. | Accuracy in Business Simulations | |
Asamoah et al. | Forecasting Inflation Rates in Ghana using Regression, Artificial Neural Networks and Support Vector Machines | |
Seetharam | A Primer on Business Analytics: Perspectives from the Financial Services Industry | |
Jahedpari | Artificial prediction markets for online prediction of continuous variables | |
Fan et al. | Financial Stock Investment Management Using Deep Learning Algorithm in the Internet of Things |
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 |