由于新增開戶的下降和低傭金時(shí)代的到來,券商傳統(tǒng)的經(jīng)紀(jì)業(yè)務(wù)創(chuàng)收能力逐步降低,各家券商都開始進(jìn)行從經(jīng)紀(jì)業(yè)務(wù)向附加值更高的財(cái)富管理業(yè)務(wù)轉(zhuǎn)型,逐步打造以客戶為中心的業(yè)務(wù)鏈。隨著轉(zhuǎn)型的不斷深入,A券商已經(jīng)在股票交易客戶和理財(cái)客戶中基本實(shí)現(xiàn)差異化服務(wù)。但不管是A券商,還是之前的學(xué)者,都沒有系統(tǒng)研究過期權(quán)客戶分類和期權(quán)客戶服務(wù)。繼2015年上證50ETF期權(quán)推出后,2019年12月,滬深300股指期權(quán)和滬深300ETF期權(quán)上市。期權(quán)市場不斷完善,投資者范圍不斷擴(kuò)大。做好期權(quán)客戶服務(wù),有助于券商財(cái)富管理轉(zhuǎn)型實(shí)現(xiàn)投資品種的全覆蓋,有助于樹立投資顧問專業(yè)的品牌形象,有助于券商打造特色,增強(qiáng)客戶黏性,在衍生品與創(chuàng)新業(yè)務(wù)的藍(lán)海市場中奪得一席之地。并且,平均資產(chǎn)270萬的期權(quán)客戶是券商絕對要服務(wù)好的高凈值客群。A券商期權(quán)交易量位居市場第一,客戶群體龐大,交易數(shù)據(jù)齊全,交易行為多樣。本文以A券商上證50ETF期權(quán)客戶為例,進(jìn)行期權(quán)客戶差異化服務(wù)研究。首先,文章中闡述了研究背景,經(jīng)紀(jì)業(yè)務(wù)轉(zhuǎn)型的大背景使得券商差異化服務(wù)愈發(fā)重要,同時(shí),近年來期權(quán)市場快速發(fā)展,具有專業(yè)性和高凈值性的期權(quán)客戶得到了各家券商的關(guān)注,服務(wù)好期... 

【文章來源】：南京大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

上證50ETF期權(quán)歷年逐月成交量（張）

緒論5服務(wù)，尤其是期權(quán)客戶分類服務(wù)提出建議，完成論文的寫作。本文結(jié)構(gòu)如下圖所示：本文所采用的研究方法有案例分析、聚類分析。（1）案例分析。2019年7月至9月，在A券商衍生品經(jīng)紀(jì)業(yè)務(wù)團(tuán)隊(duì)進(jìn)行實(shí)習(xí)，獲取了A券商2015年至2019年6月期權(quán)客戶交易數(shù)據(jù)以及客戶特征數(shù)據(jù)，共156,679條，包含期權(quán)客戶各個(gè)維度的29個(gè)變量。根據(jù)券商實(shí)際業(yè)務(wù)需求，利用真實(shí)的客戶數(shù)據(jù)，進(jìn)行客戶分類分析，并針對每一類客戶提出差異化的、具體的服務(wù)方案，使得A券商能夠更好地服務(wù)期權(quán)客戶、提高客戶黏性，也可以促使A券商經(jīng)紀(jì)業(yè)務(wù)全業(yè)務(wù)鏈向財(cái)富管理轉(zhuǎn)型、保持行業(yè)領(lǐng)先地位。（2）聚類分析。本文中，面對大量的期權(quán)客戶數(shù)據(jù)，采用聚類算法對龐大客戶群體進(jìn)行分類。聚類分析優(yōu)點(diǎn)在于原理相對簡單，分類過程與結(jié)果的易于解釋，且處理大數(shù)據(jù)能力優(yōu)秀。在對客戶進(jìn)行聚類后，根據(jù)其呈現(xiàn)出的規(guī)律進(jìn)行深入探討和研究，針對每一類客戶提出差異化的服務(wù)方案，客觀指導(dǎo)A券商的相關(guān)業(yè)務(wù)決策。圖1-2文章結(jié)構(gòu)圖

文獻(xiàn)綜述和理論基礎(chǔ)13基于密度的聚類方法的優(yōu)點(diǎn)是能夠識出所有結(jié)構(gòu)的簇，受孤立點(diǎn)影響校但若樣本點(diǎn)數(shù)據(jù)在空間中較為分散，則聚類效果較差，同時(shí)，該算法較為復(fù)雜，參數(shù)確定需要使用者有豐富的經(jīng)驗(yàn)和較高的技巧。④基于網(wǎng)格的聚類該方法將空間劃分為一個(gè)個(gè)小的矩形格子，算法步驟都在空間中的網(wǎng)格中運(yùn)作。常見的算法有STING、WaveCluster、CLIQUE等。該聚類方法的優(yōu)點(diǎn)在于可以快速處理很大的數(shù)據(jù)集，操作簡單，需要用戶自己決定的參數(shù)少，幾乎不受異常點(diǎn)的影響，但該算法聚類精度較低。⑤基于神經(jīng)網(wǎng)絡(luò)的聚類基于神經(jīng)網(wǎng)絡(luò)的聚類是指芬蘭教授Kohonen提出的SOM自組織映射神經(jīng)網(wǎng)絡(luò)聚類，該算法可以對樣本進(jìn)行無監(jiān)督學(xué)習(xí)的聚類。該算法本質(zhì)上是一種只有輸入-隱藏層的神經(jīng)網(wǎng)絡(luò)，采用競爭學(xué)習(xí)方式，每個(gè)輸入樣本在隱藏層中找到一個(gè)和它最匹配的“winningneuron”。學(xué)習(xí)過程中，對鄰近區(qū)域的權(quán)值進(jìn)行不斷的更新。該類算法的優(yōu)點(diǎn)在于不需要事先確定聚類數(shù)量，受到噪音的影響較小，可視化好。缺點(diǎn)在于要靠經(jīng)驗(yàn)和技術(shù)決定一些參數(shù)值，參數(shù)值的設(shè)置會對結(jié)果產(chǎn)生比較大的影響。圖2-1不同聚類算法的優(yōu)缺點(diǎn)2.2.4神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)是通過模仿動物神經(jīng)網(wǎng)絡(luò)生物和行為特性，來模擬人腦思維方式進(jìn)行分布式并行信息處理。在算法過程中，通過不斷調(diào)整大量內(nèi)部節(jié)點(diǎn)間的互連互通關(guān)系以處理大量信息輸入。一個(gè)神經(jīng)網(wǎng)絡(luò)由多層神經(jīng)元結(jié)構(gòu)組成，每一層神經(jīng)元都擁有輸入和輸出，前一層神經(jīng)元

【參考文獻(xiàn)】：
期刊論文
[1]基于聚類分析的商業(yè)銀行基金客戶的分類研究[J]. 趙銘,李雪,李秀婷,吳迪.  管理評論. 2013(07)
[2]基于信息強(qiáng)度的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)研究[J]. 韓紅桂,喬俊飛,薄迎春.  自動化學(xué)報(bào). 2012(07)
[3]基于聚類分析的客戶細(xì)分研究[J]. 季越江,呂佳.  辦公自動化. 2009(08)
[4]客戶細(xì)分方法研究綜述[J]. 劉英姿,吳昊.  管理工程學(xué)報(bào). 2006(01)
[5]客戶細(xì)分方法探析[J]. 胡少東.  工業(yè)技術(shù)經(jīng)濟(jì). 2005(07)
[6]數(shù)據(jù)挖掘在證券公司CRM客戶細(xì)分中的應(yīng)用[J]. 謝寰紅.  計(jì)算機(jī)工程. 2004(S1)
[7]數(shù)據(jù)挖掘綜述[J]. 王光宏,蔣平.  同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2004(02)

博士論文
[1]基于數(shù)據(jù)挖掘的銀行客戶分析管理關(guān)鍵技術(shù)研究[D]. 趙基.浙江大學(xué) 2005

碩士論文
[1]基于數(shù)據(jù)挖掘的銀行理財(cái)客戶分類研究[D]. 楊苗.安徽大學(xué) 2019
[2]基于神經(jīng)網(wǎng)絡(luò)模型的證券公司客戶分類管理研究[D]. 莊玲玲.廈門大學(xué) 2017
[3]基于聚類分析K-means算法的房地產(chǎn)客戶細(xì)分研究[D]. 于陽.哈爾濱工業(yè)大學(xué) 2017
[4]客戶交易信息在商業(yè)銀行個(gè)人客戶關(guān)系管理中的應(yīng)用[D]. 王一專.對外經(jīng)濟(jì)貿(mào)易大學(xué) 2016
[5]K-Means算法在客戶細(xì)分中的應(yīng)用研究[D]. 邢留偉.西南財(cái)經(jīng)大學(xué) 2007



本文編號：3337245