Nothing Special   »   [go: up one dir, main page]

CN115099933A - 一种业务预算方法、装置及设备 - Google Patents

一种业务预算方法、装置及设备 Download PDF

Info

Publication number
CN115099933A
CN115099933A CN202210728675.2A CN202210728675A CN115099933A CN 115099933 A CN115099933 A CN 115099933A CN 202210728675 A CN202210728675 A CN 202210728675A CN 115099933 A CN115099933 A CN 115099933A
Authority
CN
China
Prior art keywords
service
budgeted
data
value
influence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210728675.2A
Other languages
English (en)
Inventor
徐梦佳
马滢
戴清慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Pudong Development Bank Co Ltd
Original Assignee
Shanghai Pudong Development Bank Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Pudong Development Bank Co Ltd filed Critical Shanghai Pudong Development Bank Co Ltd
Priority to CN202210728675.2A priority Critical patent/CN115099933A/zh
Publication of CN115099933A publication Critical patent/CN115099933A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/12—Accounting

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Mathematical Analysis (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种业务预算方法、装置及设备，方法包括确定待预算业务的业务种类，并获取每种待预算业务的历史业务数据；确定影响每种待预算业务的业务发展的影响动因，并基于影响动因获取每种待预算业务相应的历史动因数据；基于影响动因以及历史动因数据通过时间序列预测方法预测得到每种待预算业务在第一时间段内的未来动因数据；将历史动因数据作为自变量，将历史业务数据作为因变量，利用Lasso回归模型进行拟合，得到多元线性回归方程；将未来动因数据代入多元线性回归方程，得到相应待预算业务的预算值。本申请实现了减少业务预算过程中的人工介入、提高业务预算的精确度以及精细度的技术效果。

Description

一种业务预算方法、装置及设备
技术领域
本发明实施例涉及计算机技术技术领域，尤其涉及一种业务预算方法、装置及设备。
背景技术
现有的银行预算管理方法中，存贷款类业务和资金类业务规模的预算指标值，是人工基于业务经验、业务历史规模情况和当年银行经营目标而定的，且预算指标值往往只涉及几个大类，无法穿透到更细的业务品种，因此在预算管理中无法做到精细化管理。
发明内容
本发明实施例提供一种业务预算方法、装置及设备，解决了现有技术在进行业务预算时由于人工介入较多以及基于业务大类指标进行预算所导致的预算精度较低的技术问题。
第一方面，本发明实施例提供了一种业务预算方法，所述业务预算方法包括：
确定待预算业务的业务种类，并获取每种所述待预算业务的历史业务数据；
确定影响每种所述待预算业务的业务发展的影响动因，并基于所述影响动因获取每种所述待预算业务相应的历史动因数据；
基于所述影响动因以及所述历史动因数据通过时间序列预测方法预测得到每种所述待预算业务在第一时间段内的未来动因数据；
将所述历史动因数据作为自变量，将所述历史业务数据作为因变量，利用Lasso回归模型进行拟合，得到多元线性回归方程；
将所述未来动因数据代入所述多元线性回归方程，得到相应所述待预算业务的预算值。
第二方面，本发明实施例还提供了一种业务预算装置，所述业务预算装置包括：
种类确定单元，用于确定待预算业务的业务种类，并获取每种所述待预算业务的历史业务数据；
动因确定单元，用于确定影响每种所述待预算业务的业务发展的影响动因，并基于所述影响动因获取每种所述待预算业务相应的历史动因数据；
动因预测单元，用于基于所述影响动因以及所述历史动因数据通过时间序列预测方法预测得到每种所述待预算业务在第一时间段内的未来动因数据；
方程拟合单元，用于将所述历史动因数据作为自变量，将所述历史业务数据作为因变量，利用Lasso回归模型进行拟合，得到多元线性回归方程；
业务预算单元，用于将所述未来动因数据代入所述多元线性回归方程，得到相应所述待预算业务的预算值。
第三方面，本发明实施例还提供了一种业务预算设备，所述业务预算设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例第一方面任意的业务预算方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例第一方面任意的业务预算方法。
第五方面，本发明实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如本发明实施例第一方面任意的业务预算方法。
本发明实施例公开了一种业务预算方法、装置及设备，方法包括确定待预算业务的业务种类，并获取每种待预算业务的历史业务数据；确定影响每种待预算业务的业务发展的影响动因，并基于影响动因获取每种待预算业务相应的历史动因数据；基于影响动因以及历史动因数据通过时间序列预测方法预测得到每种待预算业务在第一时间段内的未来动因数据；将历史动因数据作为自变量，将历史业务数据作为因变量，利用Lasso回归模型进行拟合，得到多元线性回归方程；将未来动因数据代入多元线性回归方程，得到相应待预算业务的预算值。本申请通过将业务大类细分到不同的业务种类，并根据每一种业务种类的影响动因基于时间序列预测方法预测得到未来动因数据，最后将未来动因数据代入多元线性回归方程得到相应待预算业务的预算值，解决了现有技术在进行业务预算时由于人工介入较多以及基于业务大类指标进行预算所导致的预算精度较低的技术问题，实现了减少业务预算过程中的人工介入、提高业务预算的精确度以及精细度的技术效果。
附图说明
图1是本发明实施例提供的一种业务预算方法的流程图；
图2是本发明实施例提供的另一种业务预算方法的流程图；
图3是本发明实施例提供的又一种业务预算方法的流程图；
图4是本发明实施例提供的一种业务预算装置的结构图；
图5为本发明实施例提供的一种业务预算设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
需要说明的是，本发明的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于限定特定顺序。本发明下述各个实施例可以单独执行，各个实施例之间也可以相互结合执行，本发明实施例对此不作具体限制。
图1是本发明实施例提供的一种业务预算方法的流程图。该业务预算方法可适用于所有需要进行预算的业务场景，例如银行对于存贷款类业务以及资金类业务规模进行预算的场景等。该业务预算方法可以由业务预算装置来执行，该装置可以采用硬件和/或软件的方式来实现，并一般可集成于服务器中。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
如图1所示，该业务预算方法具体包括如下步骤：
S101，确定待预算业务的业务种类，并获取每种待预算业务的历史业务数据。
具体地，以银行业务预算为例，银行的实际业务情况主要包括存贷款类业务和资金类业务，将其作为待预算业务，并将其大类拆分到预算管理需要的最小业务种类，并获取每一业务种类的历史规模值(即上述历史业务数据)。通常情况下，可以将历史业务数据的获取频度设置为月度，即按月获取每月的每一业务种类的历史业务数据，其获取数据的时间长度最少为3年。
示例性地，银行业务品种按照实际业务种类可以分为公司、零售与信用卡、金融市场三大板块。其中，公司板块分为存款类业务与贷款类业务，存款类业务包括对公活期存款、对公定期存款、对公通知存款等，贷款类业务包括对公短期并购贷款、对公中长期并购贷款、对公短期流动资金贷款等；零售与信用卡板块也分为存款类业务与贷款类业务，存款类业务包括活期存款、通知存款、保证金存款、信用卡存款等；贷款类业务包括个人住房按揭贷款、个人经营性贷款、个人消费贷款、信用卡透支等；金融市场板块业务分为金市资金类业务与金市负债类业务，金市资金类业务包括外币备付、其他存放同业活期、存放同业定期等；金市负债类业务包括存款类金融机构活期存款、非存款类金融机构活期存款、同业存单等。
S102，确定影响每种待预算业务的业务发展的影响动因，并基于影响动因获取每种待预算业务相应的历史动因数据。
具体地，对于每一个待预算业务的业务种类，根据业务经验及客观经济规律，确定出能够影响其业务发展的影响动因，并获取每种待预算业务相应的历史动因数据。通常情况下，可以将历史动因数据的获取频度设置为月度，即按月获取每月的每一业务种类在该影响动因下的历史动因数据，其获取数据的时间长度最少为3年。
需要说明的是，在确定出每种待预算业务的影响动因之后，由于一种待预算业务的影响动因有多个，且每个影响动因对其的影响程度不同，因此为了预算的精准，还需要在其中选择出影响程度最强的前预设个数的影响动因作为后续的预算使用。
示例性地，以银行业务预算为例，可以将影响动因分为行内动因以及行外动因，其中，行内动因包括零售存款业务笔数、零售客户基数、零售客户户均存款余额等能够反应行内业务发展的指标，行外动因主要为国内宏观经济或行业指标、国际宏观经济指标，包括CPI(Consumer Price Index，消费者物价指数)、GDP(Gross Domestic Product，国内生产总值)、M2(广义货币供应量)、国债收益率等。根据银行预算业务中，不同种类的待预算业务可能会受到影响的动因种类，确定出该业务种类的相关的影响动因，然后根据其影响动因获取相应待预算业务的历史动因数据。
S103，基于影响动因以及历史动因数据通过时间序列预测方法预测得到每种待预算业务在第一时间段内的未来动因数据。
具体地，在确定出每种待预算业务的影响动因之后，通过时间序列预测方法，预测得到每种待预算业务在第一时间段内的未来动因数据。例如，当前为1月上旬，则根据截止上年12月末的动因实际数据(即上述历史动因数据)，通过时间序列预测方法预测得到12个值，分别对应今年1月底至12月底该影响动因的预测值(即上述未来动因数据，此时的第一时间段为12个月)；再如，当前为7月上旬，则根据截止当年6月末的动因实际数据(即上述历史动因数据)，通过时间序列预测方法预测得到6个值，分别对应今年7月底至12月底该动因的预测值(即上述未来动因数据，此时的第一时间段为6个月)。
S104，将历史动因数据作为自变量，将历史业务数据作为因变量，利用Lasso回归模型进行拟合，得到多元线性回归方程。
具体地，Lasso回归模型的全称是Least absolute shrinkage and selectionoperator。该方法是一种压缩估计，它通过构造一个惩罚函数得到一个较为精炼的模型，使得它压缩一些回归系数，即强制系数绝对值之和小于某个固定值；同时设定一些回归系数为零。因此保留了子集收缩的优点，是一种处理具有复共线性数据的有偏估计。
由于Lasso回归模型在线性回归损失函数的基础上增加了L1范数，对影响动因具有自动选择的功能，因此在步骤S102中选择出影响程度最强的前预设个数的影响动因中，Lasso回归模型会再次自动剔除对该待预算业务的预测值的预测影响不大的影响动因，实现根据实际数据情况自动挑选影响动因的效果，减少了人工的介入。
在本发明实施例中，将历史动因数据作为自变量，将历史业务数据作为因变量代入Lasso回归模型，利用Lasso回归模型进行多元线性回归拟合，得到多元线性回归方程。
S105，将未来动因数据代入多元线性回归方程，得到相应待预算业务的预算值。
具体地，在得到多元线性回归方程之后，分别将每一种待预算业务的未来动因数据代入该方程，即可得到相应待预算业务的预算值。
本申请通过将业务大类细分到不同的业务种类，并根据每一种业务种类的影响动因基于时间序列预测方法预测得到未来动因数据，最后将未来动因数据代入多元线性回归方程得到相应待预算业务的预算值，解决了现有技术在进行业务预算时由于人工介入较多以及基于业务大类指标进行预算所导致的预算精度较低的技术问题，实现了减少业务预算过程中的人工介入、提高业务预算的精确度以及精细度的技术效果。
在上述各技术方案的基础上，图2是本发明实施例提供的另一种业务预算方法的流程图，如图2所示，在S102确定出影响每种待预算业务的业务发展的影响动因之后，该业务预算方法还包括：
S201，计算每个影响动因与相应的历史业务数据之间的相关系数。
具体地，由于确定出的每种待预算业务的影响动因较多，而不同的影响动因的对于该待预算业务的影响程度不同，因此需要确定出众多的影响动因中，哪几个影响动因对于该待预算业务的影响程度最大。基于此，首先需要计算每个影响动因与相应的历史业务数据之间的相关系数，确定出该影响动因与相应的历史业务数据之间的相关性，具体来说，如果计算出的不同影响动因与相应的历史业务数据之间的相关系数中，相关性高的影响动因不止一个，则进一步按照相关性降序排列(即下述影响动因序列)，保留相关性排名靠前预设个数的影响动因(例如，保留相关性排名前六的影响动因)；其次，还需要计算不同影响动因之间的相关性，对两两之间相关性高的影响动因，只保留其中一个对待预算业务影响较大的影响动因即可，避免Lasso回归模型拟合时的共线性问题。
S202，基于相关系数对影响动因进行排序，得到影响动因序列，其中，影响动因序列用于表征影响动因对待预算业务的影响程度。
具体地，在得到每个影响动因与相应的历史业务数据之间的相关系数之后，依据其相关程度对得到的相关系数进行排序，得到影响动因序列。
可选地，S202具体包括：判断每一个相关系数的绝对值是否大于预设标准值，并依据判断结果对影响动因进行排序，得到影响动因序列。
具体地，在计算得到每个影响动因与相应的历史业务数据的相关系数之后，判断每一个相关系数的绝对值是否大于预设标准值，通常情况下，可以将预设标准值设置为0.3，即判断相关系数的绝对值是否大于0.3的预设标准值。
S203，将影响动因序列中前预设个数的影响动因保留待用。
具体地，在得到影响动因序列之后，将前预设个数的影响动因挑选出来，作为对该待预算业务影响程度最大的几个动因继续进行后续的预算工作。示例性地，可以将预设个数设置为6，则将影响动因序列中相关性最强的前6个影响动因保留待用。需要说明的是，如果影响动因序列中的影响动因总数不满足6个，则以实际影响动因序列中的影响动因个数为准。
在上述各技术方案的基础上，图3是本发明实施例提供的又一种业务预算方法的流程图，如图3所示，S103具体包括：
S301，根据最小化信息量准则或贝叶斯信息准则确定季节性差分自回归滑动平均模型中的最优参数。
具体地，可以选择季节性差分自回归滑动平均模型(Seasonal AutoregressiveIntegrated Moving Average，SARIMA)作为时间序列预测方法进行未来动因数据的预测，由于SARIMA模型中具有多种参数组合，因此需要使用最小化信息量准则(AIC准则)或贝叶斯信息准则(BIC准则)计算得到能够使得预测得到的统计量的值最小的参数组合，并将其作为最优参数代入SARIMA模型中，作为后续的计算使用。
AIC准则或BIC准则是用来衡量估计模型复杂度和拟合数据优良性的标准，通过其确定出的最优参数，能够使得通过SARIMA模型得到的预测值更加精准。
S302，基于影响动因以及历史动因数据，利用最优参数以及季节性差分自回归滑动平均模型预测得到每种待预算业务在第一时间段内的未来动因数据。
在得到最优参数之后，基于影响动因以及历史动因数据，利用使用了最优参数的SARIMA模型，即可预测得到未来第一时间段内的未来动因数据。
在上述各技术方案的基础上，在S105，将未来动因数据代入多元线性回归方程，得到相应待预算业务的预算值之前，该业务预算方法包括：验证多元线性回归方程计算得到的预算值的误差率是否小于预设误差值；若是，则利用多元线性回归方程预测相应待预算业务的预算值；若否，则利用预设统计模型预测待预算业务的预算值。
具体地，在实际多元线性回归方程的拟合过程中，上述得到每个待预算业务的回归模型是在训练集上拟合得到的，即在得到历史动因数据和历史业务数据之后，会将其划分为训练集和验证集，并利用验证集的数据对训练得到的回归模型进行验证，判断其得到的预测值与待预算业务的实际业务数据之间的误差率是否满足预设误差值，对于误差率在预设误差值以内的待预算业务，表明其选择Lasso回归模型作为其预测方法所得到结果是较为准确的，因此后续可以继续使用Lasso回归模型预测其预算值；若误差率大于预设误差值，则表明其选择Lasso回归模型作为其预测方法所得到的结果是误差较大，因此可以选择使用预设统计模型预测待预算业务的预算值。
可选地，验证多元线性回归方程计算得到的预算值的误差率是否小于预设误差值包括：取历史业务数据中第二时间段内的数据作为验证集数据；将未来动因数据代入多元线性回归方程，得到第二时间段的验证预测值；计算验证预测值与第二时间段内的实际业务值之间的相对均方根误差，其中，实际业务值为验证集数据；判断相对均方根误差是否小于预设误差值。
具体地，通常预留6个月长度(即上述第二时间段)的历史业务数据作为验证集数据。在拟合得到回归模型之后，将通过时间序列预测方法预测得到的未来动因数据代入拟合得到的多元线性回归方程中，能够计算得到6个预测值，这6个预测值为这6个月的验证预测值，将预留的六个月的历史业务数据作为实际业务值，并将这6个验证预测值与该待预算业务的实际规模值(即上述实际业务值)进行对比，得到平均每个月的预测误差率，计算公式为
Figure BDA0003711852180000111
(即上述相对均方根误差Relative Root Mean Squared Error，RRMSE，此公式中的n为样本总数，Pi为第i个预测值，Ti为第i个实际业务值)。
通过将预设误差值设置为10％，即对于误差率在10％以内的待预算业务，表明其选择Lasso回归模型作为其预测方法所得到结果是较为准确的，因此后续可以继续使用Lasso回归模型预测其预算值；若误差率大于10％，则表明其选择Lasso回归模型作为其预测方法所得到的结果是误差较大，因此可以选择使用预设统计模型预测待预算业务的预算值。
可选地，预设统计模型包括：
年度移动平均模型
Figure BDA0003711852180000112
其中，at是年度平均业务预测值，at-n是t-n月的平均业务值，t为当前月份，n是月份数，n为正整数；其中，n一般为12；
年度加权平均模型
Figure BDA0003711852180000121
其中，bt是年度加权平均业务预测值，bt-n是t-n月的平均业务值，ωt-n是t-n月的权重系数，t为当前月份，n是月份数，n为正整数；其中，n一般为12；
年度同比模型
Figure BDA0003711852180000122
其中，ct是年度同比业务预测值，t为当前月份，h是年度同比系数，
Figure BDA0003711852180000123
ct-1至ct-12分别表示当前月份之前1至24个月的平均业务值；
月度同比模型dt＝stdt-12，其中，dt是t月月度同比业务预测值，dt-12是上一年t月的业务值，st是月度同比系数，
Figure BDA0003711852180000124
月度增长模型et＝ft+g，其中，et是t月月度增长预测值，f是历史平均业务增长率，g为常数。
具体地，月度增长模型实际是将待预算业务的历史业务数据基于线性回归方程拟合得到的，则在该线性回归方程中，f为方程的斜率，其含义表示了待预算业务的历史平均业务增长率，g为方程的截距，根据线性回归方程来看，g实际为一个常数，其表示的含义为待预算业务在计算该段时间的月度增长值之前的初始业务值。
可选地，预设统计模型有多个，利用预设统计模型预测待预算业务的预算值包括：利用多个预设统计模型分别预测待预算业务的未来业务值；将多个预测出的未来业务值中误差率最小的未来业务值作为待预算业务的预算值。
具体地，对于误差率大于10％的待预算业务，可以采用上述五种预设统计模型分别计算该待预算业务的未来业务值，然后挑选误差率最小的未来业务值作为待预算业务的预算值。
可选地，在基于多元线性回归方程预测得到部分待预算业务的预测值以及基于预设统计模型得到部分待预算业务的预测值之后，将两者汇总，得到所有待预算业务的预算值，然后根据实际需要提取其中部分待预算业务的预测值，并根据诸如下一年目标收益等指标对汇总得到的预测值进行调整，得到最终的预算结果。
示例性地，以银行业务预算为例，如需要得到对金融市场的预算值，则只需要提取从金融市场板块下的各业务种类的预测值，并根据银行实际制定的预算目标对提取出的预测值进行调整，得到最终金融市场板块下预算结果。
图4是本发明实施例提供的一种业务预算装置的结构图，如图4所示，该业务预算装置包括：
种类确定单元41，用于确定待预算业务的业务种类，并获取每种待预算业务的历史业务数据；
动因确定单元42，用于确定影响每种待预算业务的业务发展的影响动因，并基于影响动因获取每种待预算业务相应的历史动因数据；
动因预测单元43，用于基于影响动因以及历史动因数据通过时间序列预测方法预测得到每种待预算业务在第一时间段内的未来动因数据；
方程拟合单元44，用于将历史动因数据作为自变量，将历史业务数据作为因变量，利用Lasso回归模型进行拟合，得到多元线性回归方程；
业务预算单元45，用于将未来动因数据代入多元线性回归方程，得到相应待预算业务的预算值。
可选地，在动因确定单元42确定出影响每种待预算业务的业务发展的影响动因之后，业务预算装置还包括：
第一计算单元，用于计算每个影响动因与相应的历史业务数据之间的相关系数；
动因排序单元，用于基于相关系数对影响动因进行排序，得到影响动因序列，其中，影响动因序列用于表征影响动因对待预算业务的影响程度；
动因筛选单元，用于将影响动因序列中前预设个数的影响动因保留待用。
可选地，动因排序单元具体用于：
判断每一个相关系数的绝对值是否大于预设标准值，并依据判断结果对影响动因进行排序，得到影响动因序列。
可选地，动因预测单元43具体用于：
根据最小化信息量准则或贝叶斯信息准则确定季节性差分自回归滑动平均模型中的最优参数；
基于影响动因以及历史动因数据，利用最优参数以及季节性差分自回归滑动平均模型预测得到每种待预算业务在第一时间段内的未来动因数据。
可选地，在业务预算单元45将未来动因数据代入多元线性回归方程，得到相应待预算业务的预算值之前，业务预算装置包括：
误差验证单元，用于验证多元线性回归方程计算得到的预算值的误差率是否小于预设误差值；
若误差验证单元的判断结果为是，则业务预算单元45利用多元线性回归方程预测相应待预算业务的预算值；
若误差验证单元的判断结果为否，则业务预算单元45利用预设统计模型预测待预算业务的预算值。
可选地，误差验证单元具体用于：
取历史动因数据和历史业务数据中第二时间段内的数据作为验证集数据，并将验证集数据代入多元线性回归方程，得到第二时间段的验证预测值；
计算验证预测值与第二时间段内的实际业务值之间的相对均方根误差；
判断相对均方根误差是否小于预设误差值。
可选地，预设统计模型包括：
年度移动平均模型
Figure BDA0003711852180000151
其中，at是年度平均业务预测值，at-n是t-n月的平均业务值，t为当前月份，n是月份数，n为正整数；
年度加权平均模型
Figure BDA0003711852180000152
其中，bt是年度加权平均业务预测值，bt-n是t-n月的平均业务值，ωt-n是t-n月的权重系数，t为当前月份，n是月份数，n为正整数；
年度同比模型
Figure BDA0003711852180000153
其中，ct是年度同比业务预测值，t为当前月份，h是年度同比系数，
Figure BDA0003711852180000154
ct-1至ct-12分别表示当前月份之前1至24个月的平均业务值；
月度同比模型dt＝stdt-12，其中，dt是t月月度同比业务预测值，dt-12是上一年t月的业务值，st是月度同比系数，
Figure BDA0003711852180000155
月度增长模型et＝ft+g，其中，et是t月月度增长预测值，f是历史平均业务增长率，g为常数。
可选地，预设统计模型有多个，业务预算单元45利用预设统计模型预测待预算业务的预算值具体包括：
利用多个预设统计模型分别预测待预算业务的未来业务值；
将多个预测出的未来业务值中误差率最小的未来业务值作为待预算业务的预算值。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例提供的业务预算装置，与上述实施例提供的业务预算方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
图5为本发明实施例提供的一种业务预算设备的结构示意图，如图5所示，该业务预算设备包括处理器51、存储器52、输入装置53和输出装置54；业务预算设备中处理器51的数量可以是一个或多个，图5中以一个处理器51为例；业务预算设备中的处理器51、存储器52、输入装置53和输出装置54可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器52作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的业务预算方法对应的程序指令/模块(例如，种类确定单元41、动因确定单元42、动因预测单元43、方程拟合单元44以及业务预算单元45)。处理器51通过运行存储在存储器52中的软件程序、指令以及模块，从而执行业务预算设备的各种功能应用以及数据处理，即实现上述的业务预算方法。
存储器52可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器52可进一步包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至业务预算设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置53可用于接收输入的数字或字符信息，以及产生与业务预算设备的用户设置以及功能控制有关的键信号输入。输出装置54可包括显示屏等显示设备。
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种业务预算方法。
具体地，该业务预算方法包括：
确定待预算业务的业务种类，并获取每种待预算业务的历史业务数据；
确定影响每种待预算业务的业务发展的影响动因，并基于影响动因获取每种待预算业务相应的历史动因数据；
基于影响动因以及历史动因数据通过时间序列预测方法预测得到每种待预算业务在第一时间段内的未来动因数据；
将历史动因数据作为自变量，将历史业务数据作为因变量，利用Lasso回归模型进行拟合，得到多元线性回归方程；
将未来动因数据代入多元线性回归方程，得到相应待预算业务的预算值。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的业务预算方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述业务预算装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本发明实施例还提供一种计算机程序产品，该计算机程序产品包括计算机可执行指令，所述计算机可执行指令在由计算机处理器执行时用于执行本发明任意实施例所提供的业务预算方法。
当然，本申请实施例所提供的计算机程序产品，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的方法中的相关操作。
在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (12)

1.一种业务预算方法，其特征在于，所述业务预算方法包括：
确定待预算业务的业务种类，并获取每种所述待预算业务的历史业务数据；
确定影响每种所述待预算业务的业务发展的影响动因，并基于所述影响动因获取每种所述待预算业务相应的历史动因数据；
基于所述影响动因以及所述历史动因数据通过时间序列预测方法预测得到每种所述待预算业务在第一时间段内的未来动因数据；
将所述历史动因数据作为自变量，将所述历史业务数据作为因变量，利用Lasso回归模型进行拟合，得到多元线性回归方程；
将所述未来动因数据代入所述多元线性回归方程，得到相应所述待预算业务的预算值。
2.根据权利要求1所述的业务预算方法，其特征在于，在确定出影响每种所述待预算业务的业务发展的影响动因之后，所述业务预算方法还包括：
计算每个影响动因与相应的所述历史业务数据之间的相关系数；
基于所述相关系数对所述影响动因进行排序，得到影响动因序列，其中，所述影响动因序列用于表征所述影响动因对所述待预算业务的影响程度；
将所述影响动因序列中前预设个数的所述影响动因保留待用。
3.根据权利要求2所述的业务预算方法，其特征在于，所述基于所述相关系数对影响所述影响动因进行排序，得到影响动因序列包括：
判断每一个所述相关系数的绝对值是否大于预设标准值，并依据判断结果对所述影响动因进行排序，得到所述影响动因序列。
4.根据权利要求1所述的业务预算方法，其特征在于，基于所述影响动因以及所述历史动因数据通过时间序列预测方法预测得到每种所述待预算业务在第一时间段内的未来动因数据包括：
根据最小化信息量准则或贝叶斯信息准则确定季节性差分自回归滑动平均模型中的最优参数；
基于所述影响动因以及所述历史动因数据，利用所述最优参数以及所述季节性差分自回归滑动平均模型预测得到每种所述待预算业务在所述第一时间段内的未来动因数据。
5.根据权利要求1所述的业务预算方法，其特征在于，在将所述未来动因数据代入所述多元线性回归方程，得到相应所述待预算业务的预算值之前，所述业务预算方法包括：
验证所述多元线性回归方程计算得到的所述预算值的误差率是否小于预设误差值；
若是，则利用所述多元线性回归方程预测相应所述待预算业务的预算值；
若否，则利用预设统计模型预测所述待预算业务的预算值。
6.根据权利要求5所述的业务预算方法，其特征在于，验证所述多元线性回归方程计算得到的所述预算值的误差率是否小于预设误差值包括：
取所述历史业务数据中第二时间段内的数据作为验证集数据；
将所述未来动因数据代入所述多元线性回归方程，得到所述第二时间段的验证预测值；
计算所述验证预测值与所述第二时间段内的实际业务值之间的相对均方根误差，其中，所述实际业务值为所述验证集数据；
判断所述相对均方根误差是否小于预设误差值。
7.根据权利要求5所述的业务预算方法，其特征在于，所述预设统计模型包括：
年度移动平均模型
Figure FDA0003711852170000031
其中，at是年度平均业务预测值，at-n是t-n月的平均业务值，t为当前月份，n是月份数，n为正整数；
年度加权平均模型
Figure FDA0003711852170000032
其中，bt是年度加权平均业务预测值，bt-n是t-n月的平均业务值，ωt-n是t-n月的权重系数，t为当前月份，n是月份数，n为正整数；
年度同比模型
Figure FDA0003711852170000033
其中，ct是年度同比业务预测值，t为当前月份，h是年度同比系数，
Figure FDA0003711852170000034
ct-1至ct-12分别表示当前月份之前1至24个月的平均业务值；
月度同比模型dt＝stdt-12，其中，dt是t月月度同比业务预测值，dt-12是上一年t月的业务值，st是月度同比系数，
Figure FDA0003711852170000035
月度增长模型et＝ft+g，其中，et是t月月度增长预测值，f是历史平均业务增长率，g为常数。
8.根据权利要求5所述的业务预算方法，其特征在于，所述预设统计模型有多个，利用预设统计模型预测所述待预算业务的预算值包括：
利用多个所述预设统计模型分别预测所述待预算业务的未来业务值；
将多个预测出的所述未来业务值中误差率最小的所述未来业务值作为所述待预算业务的预算值。
9.一种业务预算装置，其特征在于，所述业务预算装置包括：
种类确定单元，用于确定待预算业务的业务种类，并获取每种所述待预算业务的历史业务数据；
动因确定单元，用于确定影响每种所述待预算业务的业务发展的影响动因，并基于所述影响动因获取每种所述待预算业务相应的历史动因数据；
动因预测单元，用于基于所述影响动因以及所述历史动因数据通过时间序列预测方法预测得到每种所述待预算业务在第一时间段内的未来动因数据；
方程拟合单元，用于将所述历史动因数据作为自变量，将所述历史业务数据作为因变量，利用Lasso回归模型进行拟合，得到多元线性回归方程；
业务预算单元，用于将所述未来动因数据代入所述多元线性回归方程，得到相应所述待预算业务的预算值。
10.一种业务预算设备，其特征在于，所述业务预算设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8任一所述的业务预算方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8任一所述的业务预算方法。
12.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的业务预算方法。
CN202210728675.2A 2022-06-24 2022-06-24 一种业务预算方法、装置及设备 Pending CN115099933A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210728675.2A CN115099933A (zh) 2022-06-24 2022-06-24 一种业务预算方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210728675.2A CN115099933A (zh) 2022-06-24 2022-06-24 一种业务预算方法、装置及设备

Publications (1)

Publication Number Publication Date
CN115099933A true CN115099933A (zh) 2022-09-23

Family

ID=83292027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210728675.2A Pending CN115099933A (zh) 2022-06-24 2022-06-24 一种业务预算方法、装置及设备

Country Status (1)

Country Link
CN (1) CN115099933A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116502019A (zh) * 2023-04-27 2023-07-28 广东花至美容科技有限公司 皮肤胶原蛋白提升率计算方法、存储介质及电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116502019A (zh) * 2023-04-27 2023-07-28 广东花至美容科技有限公司 皮肤胶原蛋白提升率计算方法、存储介质及电子设备

Similar Documents

Publication Publication Date Title
De Fontnouvelle et al. Using loss data to quantify operational risk
US6098052A (en) Credit card collection strategy model
WO1999048036A1 (en) System, method, and computer program product for assessing risk within a predefined market
CN111709826A (zh) 目标信息确定方法和装置
CN111738819A (zh) 表征数据筛选方法、装置和设备
CN110689437A (zh) 一种基于随机森林的通信施工项目财务风险预测方法
RU2640633C2 (ru) Вычисление вероятности того, что фирма выполняет свои обязательства
Karminsky et al. Increase of banks’ credit risks forecasting power by the usage of the set of alternative models
CN111626855A (zh) 债券信用利差预测方法及系统
CN115099933A (zh) 一种业务预算方法、装置及设备
CN114943582A (zh) 一种信息推荐方法、系统及推荐服务器
CN114219611A (zh) 贷款额度计算方法、装置、计算机设备和存储介质
CN110110885A (zh) 信息预测方法、装置、计算机设备和存储介质
CN116911994A (zh) 对外贸易风险预警系统
CN117252677A (zh) 信贷额度确定方法和装置、电子设备及存储介质
CN114240599A (zh) 贷款测算方法、装置、计算机设备和存储介质
CN113240513A (zh) 一种用户授信额度的确定方法和相关装置
CN113222767A (zh) 指数化证券组合的数据处理方法及装置
CN111461863A (zh) 数据处理方法、装置、计算机设备及存储介质
CN117994017A (zh) 构建零售信用风险预测模型的方法和线上信贷业务Scoredelta模型
CN117788133A (zh) 构建零售信用风险预测模型的方法和零售信贷Scoresigma模型
CN118333737A (zh) 构建零售信用风险预测模型的方法和消费信贷业务Scorebetai模型
CN118071482A (zh) 构建零售信用风险预测模型的方法和消费信贷业务Scorebetad模型
CN118071483A (zh) 构建零售信用风险预测模型的方法和个人信贷业务Scorepsi模型
CN118691393A (zh) 构建零售信用风险预测模型的方法和零售信贷Scoresigmam1模型

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination