【摘要】：國家在2017年7月頒布《新一代人工智能發(fā)展規(guī)劃》白皮書的政策,促使人工智能的發(fā)展被列入國家戰(zhàn)略層面。金融科技,作為“人工智能”、“大數(shù)據(jù)”主題下的重要應(yīng)用已備受關(guān)注。金融公司的核心挑戰(zhàn)是最大化商業(yè)利潤,與此同時降低投資風(fēng)險�？紤]流動性風(fēng)險與流動性盈余為公司投資策略中最主要的因素時,提出一種關(guān)于資金流量預(yù)測的方案,在金融產(chǎn)品的風(fēng)控方面有非常值得稱道的作用。傳統(tǒng)的資金預(yù)測多使用定性的方式理論指導(dǎo),主觀性較強(qiáng)且泛化能力弱;傳統(tǒng)通過定量預(yù)測的方法采用了較為簡單的線性模型,雖一定程度提升了模型的科學(xué)依據(jù),但是預(yù)測精度較差,理論基礎(chǔ)相對薄弱。本文在研究豐富金融理論進(jìn)行定性討論的基礎(chǔ)上,對280萬的余額寶用戶申購贖回操作數(shù)據(jù)建立定量模型。通過較為傳統(tǒng)的線性模型YEB_ARIMA與隸屬人工智能、深度學(xué)習(xí)領(lǐng)域的YEB_LSTM模型對于余額寶資金流量進(jìn)行預(yù)測。此外,通過線性方法與邏輯回歸學(xué)習(xí)法對原始弱分類器進(jìn)行集成學(xué)習(xí),得到了YEB_Hybrid模型,在申購與贖回數(shù)據(jù)集分別取得了84.39%與84.36%的預(yù)測精度。最后根據(jù)資金預(yù)測的結(jié)果,給出了資金預(yù)留比例的建議。該大數(shù)據(jù)模型在多種評價指標(biāo)下表現(xiàn)優(yōu)良,一定程度超越了同類的余額寶資金流量預(yù)測方法。論文主要從如下幾個方面進(jìn)行研究與創(chuàng)新:第一、為了能夠更為準(zhǔn)確地預(yù)測余額寶的資金流量,首先觀察由阿里旗下螞蟻金服官方提供的余額寶申購與贖回數(shù)據(jù)集,結(jié)合時間序列理論進(jìn)行分析。在獲取數(shù)據(jù)集特征后,進(jìn)一步建立準(zhǔn)確的模型。第二、定性結(jié)合定量,線性結(jié)合非線性。通過大量的理論背景定性分析,結(jié)合多種建模方法對時間序列定量研究。針對數(shù)據(jù)集定量建模時,本文通過線性與非線性兩種模型,從不同角度觀測數(shù)據(jù)特性。線性方法采用YEB_ARIMA自回歸滑動平均模型,根據(jù)ACF與PACF參數(shù)情況為模型選擇合適的參數(shù),并使用參數(shù)調(diào)優(yōu)的方法選取最優(yōu)模型階數(shù)。非線性方法采用當(dāng)下流行的YEB_LSTM長短期記憶神經(jīng)網(wǎng)絡(luò),并進(jìn)行網(wǎng)絡(luò)設(shè)計達(dá)到較好預(yù)測效果。第三、引入集成學(xué)習(xí),將線性模型YEB_ARIMA與非線性模型YEB_LSTM使用線性結(jié)合和學(xué)習(xí)法進(jìn)行融合,得到一個更高水準(zhǔn)的預(yù)測模型YEB_Hybrid。從不同角度觀測余額寶申贖數(shù)據(jù),提升預(yù)測效果。第四、通過多種指標(biāo)評估模型效果,提升模型可靠度。本文所建立的模型通過噪聲特性檢驗(yàn)、Ljung-Box Q-test相關(guān)性檢驗(yàn)與誤差計算指標(biāo)三種方式進(jìn)行測試,并與同類實(shí)驗(yàn)的建模結(jié)果進(jìn)行對比。經(jīng)過驗(yàn)證可知,本文所提出的余額寶預(yù)測算法可行有效,能夠較為準(zhǔn)確地對于余額寶的申購贖回資金量進(jìn)行預(yù)測。本文貫徹了“技術(shù)為智,應(yīng)用為王”的思想,依賴于人工智能與大數(shù)據(jù),開拓新技術(shù)在金融理財領(lǐng)域的應(yīng)用場景。將智能金融切實(shí)落實(shí)到日常生活中,為未來的商業(yè)發(fā)展提供全新動力。第五、在較為準(zhǔn)確的預(yù)測余額寶每日的資金流量基礎(chǔ)上,計算了每日資金預(yù)留比例,并且在全面的理論基礎(chǔ)上提出風(fēng)險控制方案。將Fintech落實(shí)到應(yīng)用,為人工智能與金融結(jié)合的應(yīng)用貢獻(xiàn)自己的力量。
【學(xué)位授予單位】：上海大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP311.13;F832.2;F724.6
【圖文】：

（mfd_7daily_yield）。3）Shanghai Interbank Offered Rate (Shibor) Tablemdf_bank_shilbor 表格包含了在 14 個月內(nèi)上海銀行間同業(yè)拆放的年化收益率變化情況。本章節(jié)的分析主要利用統(tǒng)計學(xué)知識，通過一系列統(tǒng)計函數(shù)，得到數(shù)據(jù)表格中的規(guī)律。例如，按照日期為關(guān)鍵字對所有數(shù)據(jù)進(jìn)行匯集操作，得到每日的申購、贖回等情況；或者按照用戶為關(guān)鍵字進(jìn)行匯集操作，得到每位用戶的交易情況。1、余額寶用戶申購贖回量分析由螞蟻金服官方提供的用戶申贖表中，包含2013.7.1開始到2014.8.31之間，30000 名余額寶用戶的 2,800,000 條交易記錄。為了觀測每日的交易情況，首先將每日的基金申購量以及贖回量進(jìn)行統(tǒng)計并進(jìn)行可視化處理。

數(shù)據(jù)集中給出了直接申購總量的情況 direct_purchase_amt，以及從支 付 寶 余 額 申 購 的 情 況 purchase_bal_amt ， 從 銀 行 卡 申 購 的 情 況purchase_bank_amt。為了能夠進(jìn)一步深入地看出以上幾者的關(guān)系，本文繼續(xù)對其作圖觀察。(1)、投資者直接申購量 (2)、余額產(chǎn)生的收益

(3)、轉(zhuǎn)移到銀行卡的資金量 (4)、轉(zhuǎn)移到余額的資金量圖 2- 3、用戶贖回量情況從以上圖片可以看出，總的贖回量與資金轉(zhuǎn)移數(shù)量、轉(zhuǎn)移到銀行卡的數(shù)量趨勢相近。比較總的贖回量 total_redeem_amt 與資金轉(zhuǎn)移數(shù)量 transfer_amt，可以看出兩者的趨勢十分類似。這說明大部分的贖回都是進(jìn)行資金轉(zhuǎn)移。再看用戶的消費(fèi)金額，相比較轉(zhuǎn)移到銀行卡的金額較小。仔細(xì)觀察用戶消費(fèi)的圖，可以看出有一些明顯金額非常大的消費(fèi)，對應(yīng)時間節(jié)點(diǎn)可以看出最大的消費(fèi)金額發(fā)生在 13年 11 月中旬左右。在 14 年的 2 月多也發(fā)生了較大金額的消費(fèi)。11 月 11 日是由各大電商平臺發(fā)起的雙十一購物狂歡節(jié)。2014.11.11，阿里在雙十一盛大的購物節(jié)全天流動額 571 億元；2015 年電商平臺天貓在雙十一達(dá)到了 912.17 億元的流動額[39]；2016 年的流動額達(dá) 1207 億，2017 年則刷新紀(jì)錄，到達(dá) 1682 億的高峰。表 2- 3、消費(fèi)最多的時間節(jié)點(diǎn)及金額

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陸敬筠;薛卓之;周奇;;銀行同業(yè)拆借利率對余額寶收益率影響的實(shí)證研究[J];征信;2015年11期

2 卜勝娟;周凱麗;;余額寶網(wǎng)絡(luò)貨幣基金市場風(fēng)險研究[J];鄭州航空工業(yè)管理學(xué)院學(xué)報;2015年04期

3 莫鈞翔;黃啟發(fā);楊芳;;淺析“余額寶”及其法律風(fēng)險[J];長春師范大學(xué)學(xué)報;2015年01期

4 楊毅;劉柳;;余額寶收益率與上海銀行間同業(yè)拆借利率的關(guān)系[J];財會月刊;2014年20期

5 李恒;郝國剛;;余額寶的風(fēng)險及防范研究[J];時代金融;2014年05期

6 王瑩;;余額寶的流動性、收益性及風(fēng)險分析[J];中國商貿(mào);2013年35期

7 丁振國;宋薇;李婧;;基于序列模式挖掘的社交網(wǎng)絡(luò)用戶行為分析[J];現(xiàn)代情報;2013年03期

8 陳曉云;馬良齋;;基于屬性權(quán)重的局部離群點(diǎn)挖掘算法研究[J];微計算機(jī)信息;2010年33期

9 胡亮;車喜龍;;基于網(wǎng)格服務(wù)的Nu-支持向量回歸時間序列預(yù)測[J];長春理工大學(xué)學(xué)報(自然科學(xué)版);2009年02期

10 戰(zhàn)明華;許月麗;;基礎(chǔ)貨幣供給、銀行同業(yè)拆借利率的變動與利率市場化改革——我國銀行同業(yè)拆借利率與基礎(chǔ)貨幣供應(yīng)關(guān)系的實(shí)證及其含義[J];統(tǒng)計研究;2006年11期

本文編號：2806223