[发明专利]基于历史数据的日间流动性状况回溯方法及系统

说明书

本发明提供了一种基于历史数据的日间流动性状况回溯方法及系统。该方法包括：获取历史交易数据；对历史交易数据进行预处理；提取历史交易数据的特征；利用特征对回溯预测模型进行训练；利用完成训练的回溯预测模型对日间流动性状况进行预测。本发明提供的基于历史数据的日间流动性状况回溯方法及系统实现对商业银行日间流动性状况的回溯分析，从而分析出日间流动性的状况，减少对人工经验的依赖，更合理的进行流动性分析。

技术领域

本发明涉及金融科技技术领域，特别是涉及一种基于历史数据的日间流动性状况回溯方法及系统。

背景技术

《商业银行流动性风险管理办法》要求：商业银行应当加强日间流动性风险管理，确保具有充足的日间流动性头寸和相关融资安排，及时满足正常和压力情景下的日间支付需求，并且对流动性预测提出了新的要求：有效计量每日的预测现金流入总量和流出总量，日间各个时点现金流入和流出的规模、缺口等。而且明确了商业银行应当结合历史数据对日间流动性状况进行回溯分析。本专利是为了满足监管要求，是一种基于历史数据根据算法来实现对日间流动性状况的回溯分析方法。

在此之前商业银行的采取的方法是通过存贷款变化分析法，传统的对银行日间流动性状况的分析，实际上就是对资金流动性和需要量的分析，银行的资金实用情况每日都处于变化之中，资金的变化，取决于银行存贷款资金量的变化，存款的吸收会引起银行准备金的增加，贷款放贷的增加，会出现准备金不足。因此传统是通过对银行存贷款的变化趋势来分析流动性状况的，存款是银行的被动负债，存款变化的主动权更多的掌握在客户受众，但还是有规律可循的。另一方面，贷款需求的变化不同于存款的波动，贷款的主动权掌握在银行手中，但银行只有在流动性充足的情况下才会发放新的贷款。通常是通过计算每日的存款总额、存款变动额、贷款总额、贷款变动额，来大致计算出流动性是富余还是不足，通过存款的变动额-贷款变动额可以计算出流动性的变化，就可分析出流动性是否充足。

现有基于存贷款变化分析流动性状况的方法由以下缺点：

⑴无法对存款的提前支取、贷款的提前还款和活期存款的不确定性进行预测，并且活期存款等主要取决于客户行为，虽能通过活期存款沉淀率等指标进行计算，但往往这些指标都是根据人工经验来评估的，由于经验值的差异，因此不确定性较大，预测准确性低。

⑵无法进行精细化的预测，例如回溯分析到每日具体时间点的流动性状况，预测各支付通道支付交易的流量和资金量。

发明内容

本发明要解决的技术问题是提供一种基于历史数据的日间流动性状况回溯方法及系统，实现对商业银行日间流动性状况的回溯分析，从而分析出日间流动性的状况，减少对人工经验的依赖，更合理的进行流动性分析。

为解决上述技术问题，本发明提供了一种基于历史数据的日间流动性状况回溯方法，所述方法包括：获取历史交易数据；对历史交易数据进行预处理；提取历史交易数据的特征；利用特征对回溯预测模型进行训练；利用完成训练的回溯预测模型对日间流动性状况进行预测。

在一些实施方式中，对历史交易数据进行预处理，包括：按照支付渠道、业务类型、机构等将历史交易数据进行归类。

在一些实施方式中，对历史交易数据进行预处理，还包括：填充历史交易数据中的缺失数据。

在一些实施方式中，回溯预测模型包括：分别训练的ARIMA模型、XGBoost模型及LSTM模型。

在一些实施方式中，利用特征对回溯预测模型进行训练，包括：利用训练数据分别训练ARIMA模型、XGBoost模型及LSTM模型；对ARIMA模型、XGBoost模型及LSTM模型，按照各自的拟合效果进行线性融合；以及其他一些时间序列模型。

在一些实施方式中，利用特征对回溯预测模型进行训练，包括：计算五天内、七天内、十四天内同一时刻的数据均值，并将时间分为月内五种类型，日间类型，进行独热编码后都作为预测的特征。