本发明涉及人工智能,尤指一种银行产品的收益分析处理方法及装置。
背景技术:
1、本部分旨在为权利要求书中陈述的本发明实施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。
2、近年来,客户面临市场上众多的存款、投资理财、基金等产品,无法基于交易环境和自身资金情况做出最优的产品选择。对此,现有技术提出利用数据模型进行收益预测,但是现有技术通常采用单一模型处理,在处理非线性问题时效果较差,导致银行产品收益预测与实际发生时的真实值偏差较大,无法给客户提供准确的产品收益预测信息,并且银行产品存在数据维度多的特点,如果将不同维度得数据都输入至单一模型中,数据处理效率低,预测效果差。
3、综上来看,亟需一种可以克服上述缺陷,能够改进常规收益分析方式的技术方案。
技术实现思路
1、为解决现有技术存在的问题,本发明提出了一种银行产品的收益分析处理方法及装置,本发明基于xgboost-esn组合模型来预测产品收益,针对产品收益序列数据进行校验处理,划分出不同的类型的数据(单一维度数据,多维度数据),根据模型特点(xgboost模型适用于处理单一维度数据,esn模型适用于处理多维度数据),将数据输入不同的模型进行处理,提高数据处理效率,并且可以提高输出结果的准确性,进一步利用组合模型的方式来分析输出结果,最大限度提高商业银行产品收益预测结果精度,为客户提供准确有效的产品收益预测信息,改善客户体验,提高客户粘性,为银行的产品推广及提升服务质量提供有力的技术支持。
2、在本发明实施例的第一方面,提出了一种银行产品的收益分析处理方法,包括:
3、获取产品收益序列数据;
4、检验所述产品收益序列数据,确定检验统计量,根据所述检验统计量将数据划分为多维度数据及单一维度数据;
5、根据所述单一维度数据创建并训练xgboost模型;根据所述多维度数据创建并训练esn模型;
6、根据所述xgboost模型及esn模型分别得到xgboost模型预测结果及esn模型预测结果;
7、根据所述xgboost模型预测结果及esn模型预测结果,确定组合模型最终预测结果;
8、若组合模型最终预测结果与产品收益真实值的差距超出设定范围,调整参数重新训练模型,直至所述差距在设定范围内,模型训练完成;
9、利用训练完成的模型对待预测的银行产品进行收益预测。
10、在本发明实施例的第二方面,提出了一种银行产品的收益分析处理装置,包括:
11、数据获取模块,用于获取产品收益序列数据;
12、检验模块,用于检验所述产品收益序列数据,确定检验统计量,根据所述检验统计量将数据划分为多维度数据及单一维度数据;
13、模型训练模块,用于根据所述单一维度数据创建并训练xgboost模型;根据所述多维度数据创建并训练esn模型;
14、模型处理模块,用于根据所述xgboost模型及esn模型分别得到xgboost模型预测结果及esn模型预测结果;
15、计算模块,用于根据所述xgboost模型预测结果及esn模型预测结果,确定组合模型最终预测结果;
16、修正模块,用于若组合模型最终预测结果与产品收益真实值的差距超出设定范围,调整参数重新训练模型,直至所述差距在设定范围内,模型训练完成;
17、银行产品收益预测模块,用于利用训练完成的模型对待预测的银行产品进行收益预测。
18、在本发明实施例的第三方面,提出了一种计算机设备,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银行产品的收益分析处理方法。
19、在本发明实施例的第四方面,提出了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银行产品的收益分析处理方法。
20、在本发明实施例的第五方面,提出了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银行产品的收益分析处理方法。
21、本发明提出的银行产品的收益分析处理方法及装置将xgboost模型与esn模型进行组合使用,根据模型特点将产品收益序列数据进行划分,划分后分别输入xgboost模型及esn模型,提高数据处理效率,并且可以提高输出结果的准确性,进一步采用组合模型的方式分析处理输出结果,经过反复训练调节模型权重,确保收益预测结果合理性及准确性,整体方案预测方式更加灵活,泛用性强,能够为银行的产品推广及提升服务质量提供有力的技术支持。
1.一种银行产品的收益分析处理方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,检验所述产品收益序列数据,确定检验统计量,根据所述检验统计量将数据划分为多维度数据及单一维度数据,包括:
3.根据权利要求1所述的方法,其特征在于,该方法还包括:
4.根据权利要求1所述的方法,其特征在于,根据所述xgboost模型预测结果及esn模型预测结果,确定组合模型最终预测结果,包括:
5.根据权利要求4所述的方法,其特征在于,利用最小二乘法联合xgboost模型和esn模型进行数据组合预测,确定组合模型最终预测结果,包括:
6.根据权利要求5所述的方法,其特征在于,若组合模型最终预测结果与产品收益真实值的差距超出设定范围,调整参数重新训练模型,直至所述差距在设定范围内,模型训练完成,包括:
7.根据权利要求1所述的方法,其特征在于,所述esn模型的储备池的影响因素至少包括:政策因素、市场因素、服务因素、产品因素及客户自身因素。
8.一种银行产品的收益分析处理装置,其特征在于,包括:
9.一种计算机设备,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7任一所述方法。
10.一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7任一所述方法。
11.一种计算机程序产品,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7任一所述方法。