[发明专利]一种证券软流失客户的预测方法

摘要

本发明公开了一种证券软流失客户的预测方法，将客户属性分为只开通普通账户客户和开通了信用账户客户；对不同属性的客户，形成训练集和测试集；对只开通普通账户客户的训练集和测试集根据一定时间段内资产趋势变化特征进行分类，从分类后的只开通普通账户客户的训练集中和开通了信用账户客户的训练集中分别构造因变量因子、基本因子和总衍生因子；对只开通普通账户客户的训练集建立Lasso‑Logistic模型；对开通了信用账户客户的训练集，建立Lasso‑Logistic模型，只开通普通账户客户的测试集测试分析结果，开通了信用账户客户的测试集测试分析结果。从数据库中抽取分析出用户资产信息，能够快速将客户按资产变化特征分类，提高了模型预测的精确度和覆盖度。

主权项

一种证券软流失客户的预测方法，其特征在于，包括以下步骤：(1)提取结构化交易数据，计算考察时间点的客户属性，将客户属性分为只开通普通账户客户和开通了信用账户客户；(2)对不同属性的客户，在模型起始时间点选取资产在一定范围以内的重点客户形成训练集，在模型终结时间点选取资产在一定范围以内的重点客户形成测试集；(3)对只开通普通账户客户的训练集和测试集根据一定时间段内资产趋势变化特征进行分类，从分类后的只开通普通账户客户的训练集中和开通了信用账户客户的训练集中分别构造因变量因子、基本因子和总衍生因子；(4)对只开通普通账户客户的训练集的各个类别分别建立Lasso‑Logistic模型；对开通了信用账户客户的训练集，根据总体数据建立Lasso‑Logistic模型，Lasso‑Logistic模型方程为：其中X为自变量，Y为因变量；(5)通过只开通普通账户客户的测试集测试分析结果，通过开通了信用账户客户的测试集测试分析结果，当测试结果满足因变量Y，提示为流失客户；所述步骤(3)中，所述只开通普通账户客户的因变量因子构造是客户在考察时间点后T3个交易日资产是否不足前T4个交易日资产的一定比例；所述基本因子构造包括普通账户平均持仓时间、普通账户换手率、普通账户日均资金余额占比、普通账户资金存取倍数、客户盈亏、双向交易天数、大盘指标、低风险产品购买；所述总衍生因子为所述基本因子与所述基本因子的衍生因子之和；所述基本因子的衍生因子是考察时间点前三个时间段只开通普通账户客户的基本因子的均值；所述考察时间点前三个时间段包括前A0个交易日，前A0～A1个交易日以及前A1～A2个交易日，A2>A1>A0；所述步骤(4)中，只开通普通账户客户建立Lasso‑Logistic模型的方法如下：(411)利用Lasso算法构造惩罚函数，选出对模型解释能力最强的几个总衍生因子，组成自变量X；(412)将考察时间点后A3个交易日资产不足前A4个交易日资产的B1％设为因变量Y；(413)分别对缓降型、陡降型、波动型、普通型的样本的训练集建立Lasso‑Logistic分析模型；(414)用测试集对模型测试和计算建模指标，包括精度和覆盖度；所述步骤(3)中，对于开通了信用账户客户，所述因变量因子构造为客户在考察时间点后T3个交易日资产是否不足前T4个交易日资产的一定比例；所述资产为客户普通账户和信用账户的总资产；所述基本因子构造包括信用账户平均持仓时间、信用账户换手率、信用账户日均资金余额占比、信用账户资金存取倍数、客户盈亏、双向交易天数、大盘指标、低风险产品购买；所述总衍生因子为所述基本因子与所述基本因子的衍生因子之和；所述基本因子的衍生因子包括考察时间点前三个时间段开通了信用账户客户的基本因子的均值；所述考察时间点前三个时间段包括前A0个交易日，前A0～A1个交易日以及前A1～A2个交易日，A2>A1>A0；所述步骤(4)中，开通了信用账户客户建立Lasso‑Logistic模型的方法如下：(421)利用Lasso算法构造惩罚函数，选出对模型解释能力最强的几个所述总衍生因子，组成自变量X；(422)将考察时间点后A3个交易日资产不足前A4个交易日资产的B2％设为因变量Y；(423)对总体数据建立Lasso‑Logistic模型；(424)对训练集进行重抽样的方法，得到一个新的开通信用账户的客户样本，然后分别对这两个样本分别建立Lasso‑Logistic模型；(425)用测试集对模型测试和计算建模指标，所述建模指标包括精度和覆盖度。