《Python数据分析与挖掘实战》金融服务机构资金流量预测.pptxVIP

金融服务机构资金流量预测;;企业的资金流量预测的相关背景如下。 企业资金流量的预测主要可以从资金流入和资金流出这两方面进行。 企业可以通过一定期间内资金的流入人和流出来推断出当前企业内部的资金量。 企业对于资金流量的预测根据时间长短不同可以分为短期、中期和长期。 企业在既保证资金流动性风险最小，又满足日常业务运转的情况下，精准地预测资金的流入流出情况变得尤为重要。;企业所用的数据集的说明如下。 数据包含2013年7月1日至2014年8月31日的申购和赎回信息、以及所有的子类目信息。 数据经过脱敏处理，脱敏之后的数据，基本保持了原数据分布。 数据主要包括用户操作时间和操作记录，其中操作记录包括申购和赎回两个部分。 用户申购赎回数据如表所示。;用户申购赎回数据如表所示。;用户申购赎回数据如表所示。;根据资金流入流出数量的预测需求，实现的目标如下。 首先对原始数据进行属性构造，通过绘制时序图和自相关图查看数据平稳性。 对数据进行筛选，截取平稳部分的数据，通过绘制时序图和自相关图查看数据平稳性。 根据数据规律进行周期性差分，通过绘制时序图和自相关图查看数据平稳性。 对数据进行平稳性检验和白噪声检验。 然后确定模型的阶数。 再根据确定的阶数构建ARIMA模型。 然后对ARIMA模型进行白噪声检验。 最终对预测值与真实值进行对比，对模型进行评价。 ;基于企业希望精确预测资金流入流出数量的需求，本案例的目标如下。 首先预测蚂蚁金服次月每天的申购与赎回总额。并与真实值进行对比，评价模型的合理性。 接着鉴于申购和赎回的预测方式类似，本案例仅展示预测申购总额的过程。 最后展示预测申购总额的过程，总体流程如图所示。 ;;?;通过案例的目标是预测资金申购量，前期的资金申购量受新用户人数影响，处于增长状态，后期的数据由于用户数量稳定，表现得更加平稳，有规律。 然后基于探索结果，决定选取2014年3月至7月的数据作为模型训练数据，选取2014年8月的数据作为模型测试数据。 最后截取数据及绘制时序图与自相关图，绘制截取后的训练数据时序图和截取数据的自相???图。 ;首先确定原始数据序列中没有随机趋势或确定趋势，需要对数据进行平稳性检验，否则将会产生“伪回归”的现象，对2014年3月至7月的资金申购数据进行单位根检验（ADF），如下表所示。 然后验证序列中有用的信息是否已被提取完毕，需要对序列进行白噪声检验。通过2014年3月至7月的资金申购数据的白噪声检验的结果如下表所示。 ;;时间序列模型的定阶步骤如下。 首先建立ARIMA模型之前，需要确定模型的阶数，即p、q的值。 使用的定阶方式有AIC准则定阶与BIC准则定阶。 通过平稳性检验和白噪声检验的数据建立ARIMA模型。 最后确定模型的阶数，在时间序列模型定阶段将采用BIC准则进行定阶。 ;验证模型的有效性，对已经构建的ARIMA模型进行残差检验，最后时间序列模型残差自相关图如图所示。;;?;本案例借由蚂蚁金服资金流入预测的案例，介绍了时间序列分析法中ARIMA模型在实际案例中的应用过程。 首先查看原始数据观察数据的趋势规律，根据数据的时间趋势进行差分。 然后对时间序列的平稳性检验、白噪声检验做了详细说明。 接着利用BIC准则定阶对模型进行定阶，构建ARIMA模型对数据新型预测。 最后根据真实值与预测值的对比结果对模型进行评级。