一种针对券商客户的流失预警方法及系统与流程

本发明属于金融数据处理，具体涉及一种针对券商客户的流失预警方法及系统。

背景技术：

1、随着大数据的发展，券商机构对于信息科技的应用价值有了更为深刻的认识，机器学习模型被应用于券商机构的各个方面，例如帮助券商机构进行精准营销、融资向上借券预警模型等。其中流失率预测，是通过现代化信息技术手段，精准识别有概率流失的用户，从而对这部分用户制定相应的挽回，粗活等运营策略，减少存量用户的流失。

2、流失用户预警是指精准识别有不同流失概率的用户。一方面，券商机构基于用户信息、账户状态、历史成交信息，通过建立和调试流失预警模型，精准识别具有不同流失概率的用户。另一方面，识别出这些有一定流失概率的用户群体后，需要进一步对这些用户群体，进行流失原因分析，并结合用户画像分析，制定后续的运营动作，已达到流失用户挽回，减少存量客户流失的目的。

3、比较常见的流失预警模型和算法有传统统计计量建模方法(基于生存分析)和基于深度学习网络的流失预警算法。前者是较为经典传统的流失预测算法，后者则是这几年非常流行的方法。然而券商客户与一般客户流失问题分析，有着本质的区别。券商客户的交易行为，受市场行情影响较大，也受收益情况影响，进一步地，其是否持续购入行为，与之前的买入卖出行为有很大关系。例如之前交易的证券产品收益很好，那么用户大概率会继续购入，暂时不会有流失倾向。

4、目前流失预警，如何对流失用户定义标签，很大程度上依赖于人工业务定义，其准确性具有一定局限性，行业内没有明确的定义标准。

5、比较常见的核心流失预警算法有两类，一类是基于传统计量方法的客户流失预警分析，以生存分析为代表。将客户流失视作事件(event)，用户与公司建立关系的时间当作生存期(duration)，根据数据分布，采用非参数或参数方法进行回归拟合预测，最终对每个生存期给出发生(流失)事件的概率，可预测用户生存时间的期望，中位数等。并可以根据相对风险函数分析，得出不同特征对于客户流失的影响。常用的非参数模型有kaplan meier,logrank-test,参数模型有weibull、exponential、log-logistic&log normal,aft model等。

6、另一种流失预警算法则是以深度神经网络模型为核心，构建不同结构的神经网络用于流失预警。对于具有时序关系的数据，最常考虑使用的是长短期记忆模型(longshort-term memory,lstm)。lstm模型是循环神经网络的变体，通过添加门控制，解决循环神经网络的长期依赖问题(即当时序过长时，循环神经网络模型会忘记比较久远的时间段的信息，越近的时间点对于此刻的输入影响越大)。基于简单lstm模型的流失预警算法以用户的历史行为数据为输入，用户是否流失作为标签，训练之后可以得到一个预测下个时间点的用户的流失概率。

7、但是传统的基于生存分析的流失概率拟合模型，大部分只考虑到时间变量对流失概率的影响，无法考虑多维因素对流失行为的影响。少部分例如aft(accelerated failuremodel)的多变量参数回归模型，基于特定假设条件，往往只能考虑到特定相关关系的变量影响，比如线性关系，指数关系。特征与流失行为的关联关系建立，只能依赖于一种特定的函数关系，具有局限性，这就导致这种方法的适用情况有限。

8、另一方面，基于lstm模型的流失预警方法，可以有效处理时序数据，并且得到很好的模型效果。但和其他深度神经网络一样，一方面训练模型时，需要大量的计算资源。另一方面，由于其网络结构复杂，解释性较差，模型正确性很难验证。然而在金融行业中，解释性是极为重要的一个需求，除了需要模型表现较好之外，还需要模型构造合理，符合金融常识。

技术实现思路

1、针对现有技术中存在的问题，本发明提供一种针对券商客户的流失预警方法及系统。本发明的方法可以有效处理各类相关时序信息，提升预测精准度，可用于客户流失原因归因分析。

2、为实现上述目的，本发明采用如下技术方案：

3、本发明第一方面是提供一种针对券商客户的流失预警模型的构建方法，包括：

4、获取历史的行情数据和用户数据；

5、对历史的行情数据和用户数据进行预处理；

6、基于预处理过的行情数据和用户数据，提取用户行为特征，构建流失场景下用户行为比对时序特征；提取用户持仓产品盈亏情况特征，构造用户行为金融效应特征；将用户行为比对时序特征、用户行为金融效应特征结合用户信息，以预测时间点已经销户的流失用户作为流失标签，没有发生流失行为的用户作为未流失标签，生成用于训练的数据集；

7、基于用于训练的数据集，训练和测试基础模型，输出预警模型；所述基础模型采用决策树模型。

8、作为本发明进一步改进，所述用户数据包括：用户历史交易记录、持仓数据、用户账户信息。

9、作为本发明进一步改进，所述提取用户行为特征，构建流失场景下用户行为比对时序特征，包括：

10、基于行情数据和用户数据，结合用户信息、历史记录、产品信息、用户持仓情况数据，构造包括用户交易频率、金额、账户情况、持仓总额产品种类的用户行为特征；

11、以不同时间窗口为时间度量，计算用户在时间节点t发生流失行为的概率；

12、对于不同概率的每一个用户，基于预设的时间窗口，向前截取历史用户行为特征数据；对于每一个时间窗口，提取每个历史用户行为特征数据对应的统计特征，得到流失场景下用户行为比对时序特征。

13、作为本发明进一步改进，所述得到流失场景下用户行为比对时序特征，具体包括：

14、基于确定好的不同时间窗口为时间度量，假设要预测用户在时间节点t发生流失行为的概率；

15、时间节点t，向前分别截取n个月(t-n到t-1)，以及第t-n+1到n+m个月(t-(n+m)，t-n+1)的历史用户行为特征数据；

16、然后对于n个月与t-n+1个月的历史特征数据做统计特征提取，采用统计方法得到流失场景下，用户前后行为变化的用户行为比对时序特征。

17、作为本发明进一步改进，所述提取用户持仓产品盈亏情况特征，构造用户行为金融效应特征，包括：

18、基于预处理过的行情数据和用户数据，结合历史记录、产品信息、用户持仓情况的交易数据，对用户盈利与亏损情况进行统计分析，构造基于处置效应、沉没成本、过度自信理论的用户行为金融效应特征。

19、本发明第二方面是提供一种针对券商客户的流失预警方法，包括：

20、获取待分析的行情数据和用户数据；

21、对待分析的行情数据和用户数据进行预处理；

22、基于预处理过的行情数据和用户数据，提取用户行为特征，构建流失场景下用户行为比对时序特征；提取用户持仓产品盈亏情况特征，构造用户行为金融效应特征；将用户行为比对时序特征、用户行为金融效应特征结合用户信息，生成用于预测的数据集；

23、将所述用于预测的数据集输入至采用所述的方法预先训练的预警模型中，进行预测并输出模型预测结果。

24、本发明第三方面是提供一种针对券商客户的流失预警模型的构建系统，包括：

25、第一获取模块，用于获取历史的行情数据和用户数据；

26、第一抽取模块，用于对历史的行情数据和用户数据进行预处理；

27、第一生成模块，用于基于预处理过的行情数据和用户数据，提取用户行为特征，构建流失场景下用户行为比对时序特征；提取用户持仓产品盈亏情况特征，构造用户行为金融效应特征；将用户行为比对时序特征、用户行为金融效应特征结合用户信息，以预测时间点已经销户的流失用户作为流失标签，没有发生流失行为的用户作为未流失标签，生成用于训练的数据集；

28、训练模块，用于基于用于训练的数据集，训练和测试基础模型，输出预警模型；所述基础模型采用决策树模型。

29、本发明第四方面是提供一种针对券商客户的流失预警系统，包括：

30、第二获取模块，用于获取待分析的行情数据和用户数据；

31、第二抽取模块，用于对待分析的行情数据和用户数据进行预处理；

32、第二生成模块，用于基于预处理过的行情数据和用户数据，提取用户行为特征，构建流失场景下用户行为比对时序特征；提取用户持仓产品盈亏情况特征，构造用户行为金融效应特征；将用户行为比对时序特征、用户行为金融效应特征结合用户信息，生成用于预测的数据集；

33、预测模块，用于将所述用于预测的数据集输入至预先训练的预警模型中，进行预测并输出模型预测结果。

34、本发明第五方面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针对券商客户的流失预警模型的构建方法或所述针对券商客户的流失预警方法。

35、本发明第六方面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针对券商客户的流失预警模型的构建方法或所述针对券商客户的流失预警方法。

36、与现有技术相比，本发明具有如下技术效果：

37、本发明在建立模型时，考虑用户历史购买证券产品的时序关系，建立购买产品的交易习惯变量，以及时序盈亏情况分析变量；考虑用户过去一段时间，与近期时间的交易习惯、持仓情况、账户情况等行为模式的变化程度，建立行为分析变量；因券商客户的投资属性，考虑基于行为金融学的非理性行为效应，建立用户投资行为分析变量；针对券商客户流失预警，基于决策树模型，有效处理各类相关时序信息，提升预测精准度，另一方面，使得预测结果具有可解释性，可用于客户流失原因归因分析。本发明实施例基于对销户用户行为的分析，发现其覆盖券商业内业务认知基础上的，所有可能流失用户的行为模式，故提出一种新的，基于将销户用户作为流失用户标签的方法，建立流失预警模型。