一种存款业务流失风险预测方法及装置与流程

本申请涉及人工智能，尤其涉及一种存款业务流失风险预测方法及装置。

背景技术：

1、近年来，银行业业务内外部经营形势变化日趋复杂，商业银行市场竞争格局面临改变——公司存款业务成为各家银行竞争的焦点。当前银行业面临日均存款增长过度依赖头部客户，客户结构呈两头大、中间弱——尾部客户数量大、头部客户存款资金量大、腰部客户支撑弱的发展趋势，腰部客户对公司存款的支撑作用乏力。客户经理日常需负责多个行业公司客户的拓户维护等工作，对存量公司客户的存款维护无法及时跟进，更无法持续关注合作机构经营恶化、还款人突发事件等异常变化，往往在出现显著风险时才开始介入。

2、银行需要加强对腰部公司客户的风险管理，精准把控客户的运营及营销成本。在这样的需求背景下，基于腰部客户存款流失预警系统应运而生。商业银行利用客户的属性、交易行为、资产和负债数据，以及可获取的第三方数据进行分析，探索客户特征与存款流失行为之间的关系，并将其发展为预警机制，用于对客户的未来表现作出预测。

3、现有技术中，利用机器学习中的逻辑回归及决策树等算法对全量客户进行建模，输出客户存款流失概率，或者依靠专家规则及公司客户常用的特征进行预警，依靠客户经理主观判断。

4、上述方法存在以下不足之处：

5、一、公司客户存款波动情况大幅受到季末冲绩效等因素影响，不同体量企业在季初、季中、季末的资金操作行为逻辑有较大差异，当前机器学习模型对上述不同行为逻辑下的存款流失未进行分期预测，不利于模型的实质精准度。

6、二、公司腰部客户存款流失的主客观相关因素复杂，与银行间的营销力度、产品费率、公司行业策略变化、公司资金情况及公司法人高管信用情况等息息相关，目前的公司存款监测体系信息共享不充分，缺乏对银行间、公司行业、公司相关人三大主体的联动监测，难以前瞻性研判新兴风险和系统性风险。

技术实现思路

1、针对现有技术中的问题，本申请实施例提供一种存款业务流失风险预测方法及装置，能够至少部分地解决现有技术中存在的问题。

2、第一方面，本申请提供一种存款业务流失风险预测方法，包括：

3、对预处理后的历史特征数据进行特征筛选，得到第一特征集；

4、利用所述第一特征集进行模型训练，得到初始预测模型；

5、根据所述初始预测模型对所述第一特征集进行特征筛选，得到第二特征集；

6、利用所述第二特征集进行模型训练，得到不同业务时间范围对应的流失风险预测模型；

7、根据所述流失风险预测模型对所述第二特征集进行特征筛选，得到第三特征集；

8、利用所述第三特征集优化所述流失风险预测模型；

9、根据所述流失风险预测模型预测客户存款业务的流失风险。

10、进一步地，所述对预处理后的历史特征数据进行特征筛选，包括：

11、计算所述预处理后的历史特征数据的信息价值；

12、根据所述信息价值及预设的第一阈值对预处理后的历史特征数据进行特征筛选。

13、进一步地，所述根据所述初始预测模型对所述第一特征集进行特征筛选，包括：

14、利用所述初始预测模型生成所述第一特征集的第一特征重要性参数；

15、根据所述第一特征重要性参数及预设的第二阈值对所述第一特征集进行特征筛选。

16、进一步地，所述利用所述第二特征集进行模型训练，得到不同业务时间范围对应的流失风险预测模型，包括：

17、根据不同业务时间范围对所述第二特征集进行划分；

18、根据划分后的第二特征集得到多组训练集及测试集；

19、利用所述多组训练集及测试集分别进行模型训练，得到不同业务时间范围对应的流失风险预测模型。

20、进一步地，所述根据所述流失风险预测模型对所述第二特征集进行特征筛选，包括：

21、利用所述流失风险预测模型生成所述第二特征集的第二特征重要性参数；

22、根据所述第二特征重要性参数及预设的第三阈值对所述第二特征集进行特征筛选。

23、进一步地，预处理所述历史特征数据的步骤包括：

24、对获取的客户存款业务的历史特征数据进行特征挖掘；

25、对特征挖掘后的历史特征数据进行数据清洗；

26、对数据清洗后的历史特征数据进行特征转换。

27、第二方面，本申请提供一种存款业务流失风险预测装置，包括：

28、第一特征集生成单元，用于对预处理后的历史特征数据进行特征筛选，得到第一特征集；

29、初始预测模型生成单元，用于利用所述第一特征集进行模型训练，得到初始预测模型；

30、第二特征集生成单元，用于根据所述初始预测模型对所述第一特征集进行特征筛选，得到第二特征集；

31、流失风险预测模型生成单元，用于利用所述第二特征集进行模型训练，得到不同业务时间范围对应的流失风险预测模型；

32、第三特征集生成单元，用于根据所述流失风险预测模型对所述第二特征集进行特征筛选，得到第三特征集；

33、流失风险预测模型优化单元，用于利用所述第三特征集优化所述流失风险预测模型；

34、流失风险预测单元，用于根据所述流失风险预测模型预测客户存款业务的流失风险。

35、第三方面，本申请提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例所述的方法。

36、第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的方法。

37、第五方面，本申请提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的方法。

38、本申请提供的存款业务流失风险预测方法及装置，通过对预处理后的历史特征数据进行特征筛选，得到第一特征集；利用所述第一特征集进行模型训练，得到初始预测模型；根据所述初始预测模型对所述第一特征集进行特征筛选，得到第二特征集；利用所述第二特征集进行模型训练，得到不同业务时间范围对应的流失风险预测模型；根据所述流失风险预测模型对所述第二特征集进行特征筛选，得到第三特征集；利用所述第三特征集优化所述流失风险预测模型；根据所述流失风险预测模型预测客户存款业务的流失风险，实现了避免腰部公司客户存款业务流失，提升金融机构在同业的竞争力。其中，根据利用所述第二特征集进行模型训练，得到不同业务时间范围对应的流失风险预测模型，实现了提高预测结果的准确率，更好地适应实际应用场景；通过根据所述流失风险预测模型预测客户存款业务的流失风险，实现了一户一策进行风险控制，促进腰部公司客户管理机制的健全。

技术特征：

1.一种存款业务流失风险预测方法，其特征在于，包括：

2.根据权利要求1所述的存款业务流失风险预测方法，其特征在于，所述对预处理后的历史特征数据进行特征筛选，包括：

3.根据权利要求1所述的存款业务流失风险预测方法，其特征在于，所述根据所述初始预测模型对所述第一特征集进行特征筛选，包括：

4.根据权利要求1所述的存款业务流失风险预测方法，其特征在于，所述利用所述第二特征集进行模型训练，得到不同业务时间范围对应的流失风险预测模型，包括：

5.根据权利要求1所述的存款业务流失风险预测方法，其特征在于，所述根据所述流失风险预测模型对所述第二特征集进行特征筛选，包括：

6.根据权利要求1所述的存款业务流失风险预测方法，其特征在于，预处理所述历史特征数据的步骤包括：

7.一种存款业务流失风险预测装置，其特征在于，包括：

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的方法。

10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的方法。

技术总结本申请提供了一种存款业务流失风险预测方法及装置，可用于人工智能领域或其他领域，该方法包括：对预处理后的历史特征数据进行特征筛选，得到第一特征集；利用所述第一特征集进行模型训练，得到初始预测模型；根据所述初始预测模型对所述第一特征集进行特征筛选，得到第二特征集；利用所述第二特征集进行模型训练，得到不同业务时间范围对应的流失风险预测模型；根据所述流失风险预测模型对所述第二特征集进行特征筛选，得到第三特征集；利用所述第三特征集优化所述流失风险预测模型；根据所述流失风险预测模型预测客户存款业务的流失风险。本申请实现了避免腰部公司客户存款业务流失，提升金融机构在同业的竞争力。技术研发人员：王豆豆,王晓舟,张博,王晴受保护的技术使用者：中国工商银行股份有限公司技术研发日：技术公布日：2024/7/29