《Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》金融服務(wù)機(jī)構(gòu)資金流量預(yù)測

金融服務(wù)機(jī)構(gòu)資金流量預(yù)測1數(shù)據(jù)預(yù)處理目錄背景與目標(biāo)2分析與建模3模型評價4企業(yè)的資金流量預(yù)測的相關(guān)背景如下。企業(yè)資金流量的預(yù)測主要可以從資金流入和資金流出這兩方面進(jìn)行。企業(yè)可以通過一定期間內(nèi)資金的流入人和流出來推斷出當(dāng)前企業(yè)內(nèi)部的資金量。企業(yè)對于資金流量的預(yù)測根據(jù)時間長短不同可以分為短期、中期和長期。企業(yè)在既保證資金流動性風(fēng)險最小，又滿足日常業(yè)務(wù)運(yùn)轉(zhuǎn)的情況下，精準(zhǔn)地預(yù)測資金的流入流出情況變得尤為重要。背景企業(yè)所用的數(shù)據(jù)集的說明如下。數(shù)據(jù)包含2013年7月1日至2014年8月31日的申購和贖回信息、以及所有的子類目信息。數(shù)據(jù)經(jīng)過脫敏處理，脫敏之后的數(shù)據(jù)，基本保持了原數(shù)據(jù)分布。數(shù)據(jù)主要包括用戶操作時間和操作記錄，其中操作記錄包括申購和贖回兩個部分。用戶申購贖回?cái)?shù)據(jù)如表所示。數(shù)據(jù)說明屬性含義示例user_id用戶id1234report_date日期20140407tBalance今日余額109004yBalance昨日余額97389用戶申購贖回?cái)?shù)據(jù)如表所示。數(shù)據(jù)說明屬性含義示例total_purchase_amt今日總購買量＝直接購買＋收益21876direct_purchase_amt今日直接購買量21863purchase_bal_amt今日支付寶余額購買量0purchase_bank_amt今日銀行卡購買量21863total_redeem_amt今日總贖回量＝消費(fèi)＋轉(zhuǎn)出10261consume_amt今日消費(fèi)總量0transfer_amt今日轉(zhuǎn)出總量10261用戶申購贖回?cái)?shù)據(jù)如表所示。數(shù)據(jù)說明屬性含義示例tftobal_amt今日轉(zhuǎn)出到支付寶余額總量0tftocard_amt今日轉(zhuǎn)出到銀行卡總量10261share_amt今日收益13category1今日類目1消費(fèi)總額0category2今日類目2消費(fèi)總額0category3今日類目3消費(fèi)總額0Category4今日類目4消費(fèi)總額0根據(jù)資金流入流出數(shù)量的預(yù)測需求，實(shí)現(xiàn)的目標(biāo)如下。首先對原始數(shù)據(jù)進(jìn)行屬性構(gòu)造，通過繪制時序圖和自相關(guān)圖查看數(shù)據(jù)平穩(wěn)性。對數(shù)據(jù)進(jìn)行篩選，截取平穩(wěn)部分的數(shù)據(jù)，通過繪制時序圖和自相關(guān)圖查看數(shù)據(jù)平穩(wěn)性。根據(jù)數(shù)據(jù)規(guī)律進(jìn)行周期性差分，通過繪制時序圖和自相關(guān)圖查看數(shù)據(jù)平穩(wěn)性。對數(shù)據(jù)進(jìn)行平穩(wěn)性檢驗(yàn)和白噪聲檢驗(yàn)。然后確定模型的階數(shù)。再根據(jù)確定的階數(shù)構(gòu)建ARIMA模型。然后對ARIMA模型進(jìn)行白噪聲檢驗(yàn)。最終對預(yù)測值與真實(shí)值進(jìn)行對比，對模型進(jìn)行評價。目標(biāo)基于企業(yè)希望精確預(yù)測資金流入流出數(shù)量的需求，本案例的目標(biāo)如下。首先預(yù)測螞蟻金服次月每天的申購與贖回總額。并與真實(shí)值進(jìn)行對比，評價模型的合理性。接著鑒于申購和贖回的預(yù)測方式類似，本案例僅展示預(yù)測申購總額的過程。最后展示預(yù)測申購總額的過程，總體流程如圖所示。目標(biāo)1數(shù)據(jù)預(yù)處理目錄背景與目標(biāo)2分析與建模3模型評價4

屬性構(gòu)造通過案例的目標(biāo)是預(yù)測資金申購量，前期的資金申購量受新用戶人數(shù)影響，處于增長狀態(tài)，后期的數(shù)據(jù)由于用戶數(shù)量穩(wěn)定，表現(xiàn)得更加平穩(wěn)，有規(guī)律。然后基于探索結(jié)果，決定選取2014年3月至7月的數(shù)據(jù)作為模型訓(xùn)練數(shù)據(jù)，選取2014年8月的數(shù)據(jù)作為模型測試數(shù)據(jù)。最后截取數(shù)據(jù)及繪制時序圖與自相關(guān)圖，繪制截取后的訓(xùn)練數(shù)據(jù)時序圖和截取數(shù)據(jù)的自相關(guān)圖。截取平穩(wěn)部分?jǐn)?shù)據(jù)首先確定原始數(shù)據(jù)序列中沒有隨機(jī)趨勢或確定趨勢，需要對數(shù)據(jù)進(jìn)行平穩(wěn)性檢驗(yàn)，否則將會產(chǎn)生“偽回歸”的現(xiàn)象，對2014年3月至7月的資金申購數(shù)據(jù)進(jìn)行單位根檢驗(yàn)（ADF），如下表所示。然后驗(yàn)證序列中有用的信息是否已被提取完畢，需要對序列進(jìn)行白噪聲檢驗(yàn)。通過2014年3月至7月的資金申購數(shù)據(jù)的白噪聲檢驗(yàn)的結(jié)果如下表所示。平穩(wěn)性檢驗(yàn)和白噪聲檢驗(yàn)差分階數(shù)檢驗(yàn)類型P值結(jié)論1ADF檢驗(yàn)0.001?698原始序列經(jīng)過1階差分后歸于平穩(wěn)檢驗(yàn)類型P值結(jié)論檢驗(yàn)類型白噪聲檢驗(yàn)2.630?665?58e-07原始序列為非白噪聲序列白噪聲檢驗(yàn)1數(shù)據(jù)預(yù)處理目錄背景與目標(biāo)2分析與建模3模型評價4時間序列模型的定階步驟如下。首先建立ARIMA模型之前，需要確定模型的階數(shù)，即p、q的值。使用的定階方式有AIC準(zhǔn)則定階與BIC準(zhǔn)則定階。通過平穩(wěn)性檢驗(yàn)和白噪聲檢驗(yàn)的數(shù)據(jù)建立ARIMA模型。最后確定模型的階數(shù)，在時間序列模型定階段將采用BIC準(zhǔn)則進(jìn)行定階。時間序列模型的定階驗(yàn)證模型的有效性，對已經(jīng)構(gòu)建的ARIMA模型進(jìn)行殘差檢驗(yàn)，最后時間序列模型殘差自相關(guān)圖如圖所示。模型檢驗(yàn)1數(shù)據(jù)預(yù)處理目錄背景與目標(biāo)2分析與建模3模型評價4

模型評價本案例借由螞蟻金服資金流入預(yù)測的案例，介紹了時間序列分析法中ARIMA模型在實(shí)際案例中的應(yīng)用過程。首先查看原始數(shù)據(jù)觀察數(shù)據(jù)的趨勢規(guī)律，根據(jù)數(shù)據(jù)