营收数据的预测方法、装置、电子设备和介质与流程

1.本技术涉及数据分析技术领域，尤其涉及一种营收数据的预测方法、装置、电子设备、介质和程序产品。


背景技术：

2.对于金融机构而言，每年年末都需要对自己一年的经营业绩进行梳理，评估经营压力及来年的业绩发展趋势，做好资金、时间、人力等方面资源的最优化配置工作。
3.金融机构的收入由其下辖的各个分部收入加总获得，例如银行的收入由各分行收入组成、券商的收入也由各地营业部汇总得到。而如何对金融机构未来的营业收入变化情况进行预测，则成为亟待解决的问题。


技术实现要素：

4.本技术提供一种营收数据的预测方法、装置、电子设备、介质和程序产品，以实现金融机构未来营收数据的精准预测，并确定金融机构的营收总额预测范围。
5.第一方面，本技术提供了一种营收数据的预测方法，该方法包括：
6.利用金融机构下各分部的历史营收数据拟合预测模型，其中，所述预测模型用于反映多维数据间的概率相依结构；
7.利用所述拟合好的预测模型预测所述各分部的未来营收数据，并将所述各分部的未来营收数据进行求和，得到所述金融机构的营收预测总额；
8.获取所述拟合好的预测模型经多次预测得到的多个营收预测总额；
9.根据各个营收预测总额在所述多个营收预测总额中的分位点，确定所述金融机构的营收总额预测范围。
10.第二方面，本技术还提供了一种营收数据的预测装置，该装置包括：
11.模型拟合模块，用于利用金融机构下各分部的历史营收数据拟合预测模型，其中，所述预测模型用于反映多维数据间的概率相依结构；
12.营收预测总额获取模块，用于利用所述拟合好的预测模型预测所述各分部的未来营收数据，并将所述各分部的未来营收数据进行求和，得到所述金融机构的营收预测总额；
13.多次预测模块，用于获取所述拟合好的预测模型经多次预测得到的多个营收预测总额；
14.营收总额预测范围确定模块，用于根据各个营收预测总额在所述多个营收预测总额中的分位点，确定所述金融机构的营收总额预测范围。
15.第三方面，本技术还提供了一种电子设备，包括：
16.一个或多个处理器；
17.存储装置，用于存储一个或多个程序，
18.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上所述的营收数据的预测方法。
19.第四方面，本技术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上所述的营收数据的预测方法。
20.第五方面，本技术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上所述的营收数据的预测方法。
21.本技术的技术方案中，利用金融机构下各分部的历史营收数据拟合预测模型，由于预测模型能够反映多维数据间的概率相依结构，很好的将分量之间的联动性保留了下来，能够更加准确地对金融机构未来的营收总额数据进行精准预测。同时，利用模型的多个预测结果还可以确定金融机构的营收总额预测范围，从而为进一步的数据分析提供依据。
附图说明
22.图1是本技术实施例中的营收数据的预测方法的流程图；
23.图2是本技术实施例中的营收数据的预测方法的流程图；
24.图3是本技术实施例中的营收数据的预测方法的流程图；
25.图4是本技术实施例中的营收数据的预测装置的结构示意图；
26.图5是本技术实施例中的电子设备的结构示意图。
具体实施方式
27.下面结合附图和实施例对本技术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技术，而非对本技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本技术相关的部分而非全部结构。
28.图1为本技术实施例中的营收数据的预测方法的流程图，本实施例可适用于根据拟合的预测模型对金融机构未来的营收总额进行预测并确定营收总额预测范围的情况，涉及数据分析技术领域。该方法可以由营收数据的预测装置来执行，该装置可以采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如计算机设备或服务器等。如图1所示，该方法具体包括：
29.s101、利用金融机构下各分部的历史营收数据拟合预测模型，其中，所述预测模型用于反映多维数据间的概率相依结构。
30.其中，历史营收数据可以是每个分部在过去一段时间内每日的营收数据。预测模型是用于反映多维数据间的概率相依结构的模型，其本质是联合概率分布函数的变种。通过预测模型可以借助概率意义上的相关度来反映各个分量数据之间互相联动的强度关系。
31.本技术实施例先利用各分部的历史营收数据拟合预测模型，通过拟合来确定模型中的各个参数和结构，拟合好的预测模型则可以很好地将各分部营收数据之间的联动性保留下来。因此，利用拟合好的预测模型来预测金融机构未来总体的营收情况，相比利用其他不包含这种分部间关联关系的模型来进行预测而言，其准确性更高。
32.s102、利用拟合好的预测模型预测各分部的未来营收数据，并将各分部的未来营收数据进行求和，得到金融机构的营收预测总额。
33.具体的，利用拟合好的预测模型模拟生成一组新的数据，这组新的数据的维度与分部的数量相同，这组新的数据即可作为预测的各分部的未来营收数据。之后对各分部的未来营收数据进行加总计算，即可得到金融机构的营收预测总额。
34.s103、获取拟合好的预测模型经多次预测得到的多个营收预测总额。
35.s104、根据各个营收预测总额在所述多个营收预测总额中的分位点，确定金融机构的营收总额预测范围。
36.本技术实施例中，可以利用拟合好的预测模型进行多次预测，分别加总后即可得到多个营收预测总额。例如，进行1000次预测，每次预测产生一个多维向量，其维度和金融机构分部的数量一致，分别作为各分部的未来营收的预测结果。然后将每一次模拟出的多维向量按其分量进行加总计算，从而获得1000个营收预测总额。
37.上述这些营收预测总额的值各不相同，本技术可以通过分位点来确定置信区间。例如，分别从多个营收预测总额中提取出95％分位点和5％分位点对应的营收预测总额的值，并将这两个值作为置信区间的上下界，将该置信区间作为所述金融机构的营收总额预测范围。需要说明的是，所述95％分位点和5％分位点只是一种示例，具体实现时可以根据实际情况进行分位点配置，因此，本技术对具体的分位点上下界不做任何限定。
38.本技术实施例的技术方案，利用金融机构下各分部的历史营收数据拟合预测模型，由于预测模型能够反映多维数据间的概率相依结构，很好的将分量之间的联动性保留了下来，能够更加准确地对金融机构未来的营收总额数据进行精准预测。同时，利用模型的多个预测结果还可以确定金融机构的营收总额预测范围，从而为进一步的数据分析提供依据。
39.图2为本技术实施例中的营收数据的预测方法的流程图，本实施例在上述实施例的基础上进行进一步地优化。如图2所示，所述方法包括：
40.s201、利用金融机构下各分部的历史营收数据拟合预测模型，其中，所述预测模型用于反映多维数据间的概率相依结构。
41.具体的，所述预测模型可以是copula模型，但本技术实施例不对具体的copula模型结构做任何限定。
42.s202、利用拟合好的预测模型产生多维模拟数据，将多维模拟数据作为各分部的未来营收数据，其中，模拟数据的维度与所述分部的个数相同。
43.s203、将各分部的未来营收数据进行求和，得到金融机构的营收预测总额。
44.s204、利用拟合好的预测模型进行多次预测，产生多组多维模拟数据，将每一组多维模拟数据分别进行求和，得到多个营收预测总额。
45.s205、从多个营收预测总额中，获取与预设的上界分位点和下界分位点分别对应的营收预测总额上界和营收预测总额下界。
46.s206、根据营收预测总额上界和营收预测总额下界确定金融机构的营收总额预测范围。
47.s207、根据金融机构未来营收的真实值和所述营收总额预测范围，对预测模型进行有效性检验。
48.s208、根据金融机构未来营收的真实值分别与所述营收预测总额上界和营收预测总额下界的数值偏差，确定金融机构营收总额的未来变化趋势，其中，未来变化趋势包括增长或衰退。
49.具体的，以将95％分位点和5％分位点分别对应的营收预测总额的值作为营收总额预测范围(置信区间)的上下界为例，如果预测模型正确，金融机构未来营收总额的真实
值应当有90％的概率落在该置信区间的范围内，落在置信区间外的概率应该只有10％。那么如果真实值落在了区间外，则表示10％的小概率事件发生了，此时，预测模型可能是失效的，不能很好地预测金融机构的未来营收情况，需要更换预测模型重新进行预测。
50.而如果真实数值落在了置信区间内，但是偏向置信区间上界，即该真实值与置信区间上界的数值偏差小于该真实值与置信区间下界的数值偏差，则可以确定金融机构未来的营收总额在现有模型体系下具有进一步增长的趋势，未来营收业绩会有更大的爆发。如果真实值偏向置信区间下界，则可以确定金融机构未来的营收业绩将会有进一步衰退的风险，需要仔细审查机构内部问题，提前防范风险，从而起到一定的预警作用。
51.本技术实施例的技术方案，不仅能够更加准确地对金融机构未来的营收总额数据进行精准预测，还可以利用模型的多个预测结果确定金融机构的营收总额预测范围。同时，通过金融机构未来营收的真实值与营收总额预测范围的比较，不仅能用来检验预测模型的预测效果，还能作为营收总额走势分析的依据，提高数据分析的深度，提前防范金融机构可能存在的风险。
52.图3为本技术实施例中的营收数据的预测方法的流程图，本实施例在上述实施例的基础上进行进一步地优化。如图3所示，所述方法包括：
53.s301、获取各分部在过去设定时间段内的每日营收历史数据，并形成营收历史数据矩阵，其中，所述营收历史数据矩阵中的各列对应所述各分部，各行对应各分部的每日营收历史数据。
54.此外，在拟合模型之前，还需要将每日营收历史数据中的异常数值和缺失数值剔除。例如，若某一天存在某一分部的数据缺失或者乱码，可直接将这一天的数据剔除，也就是将营收历史数据矩阵对应的一行删除，以防止数据异常和数据不全导致模型无法计算。
55.s302、将营收历史数据矩阵中的各列数据，按样本分位点值进行转换，得到经验概率分布值矩阵。
56.具体的，数据的转换可按照如下操作进行：
57.将营收历史数据矩阵中的各列数据按照大小顺序进行排序，排序后得到各列的样本总体；将经排序的各列数据中的每个数据，转化为其在各列样本总体中对应的分位点值，其中，所述分位点值的取值范围为0至1；根据每个数据对应的分位点值得到经验概率分布值矩阵。
58.需要说明的是，本技术实施例的预测模型(如copula模型)面对的数据类型是0-1上的数值，因为它是专门用来处理各个概率分布函数间关系的结构，因此，各分布的营收数据是无法直接代入模型中使用的，需要将数据进行转换。也即：输入数据必须和概率分布函数一样取值只能在0-1范围内。本技术中可以采用经验分布的方法，将各分部的营收数据一字排开作为样本总体，将每个数据转化为其在样本总体中的对应分位点值即可。此外，因为在现实案例中0％和100％分位点不太常见，为了使数据更合理，在不改变数据排序的情况下，本技术中还可以将最小和最大的数值(0％和100％分位点的数据)对应的分位点作适当放缩，比如，分别改成0.01％和99.99％，以使得转化后的数据不会出现0和1这样的数值，这样模型计算出的结果往往会更加精确。
59.s303、利用经验概率分布值矩阵拟合预测模型。
60.具体的，将经验概率分布值矩阵输入copula模型进行拟合，拟合结构依靠极大似
然法确定最优解，也就是当copula模型对应的似然值达到最大时，此时模型参数值作为模型结构的最优估计输出，而模型的结构是由参数决定的，因此参数固定了，模型也就唯一确定了。这种评价指标给出了模型结构拟合好坏的标准，为模型最终结构的确定提供了依据。
61.此外，还可以利用aic准则对预测模型的不同结构进行评判，而评判的目的就是根据不同结构的预测模型的aic值，选定最终的预测模型结构。具体实现时，可以根据实际工作场景的需求来选择合适的copula算法模型，如果需要模型精度高，则可采用高复杂度copula模型，如果数据庞大，则可给出结构简单的阿基米德copula。而最优的模型，可以以aic准则作为评判标准，对多个copula模型计算其各自的aic值，以aic值最小的copula模型作为最优模型。
62.s304、利用拟合好的预测模型预测各分部的未来营收数据，并将各分部的未来营收数据进行求和，得到金融机构的营收预测总额。
63.s305、获取拟合好的预测模型经多次预测得到的多个营收预测总额。
64.s306、根据各个营收预测总额在多个营收预测总额中的分位点，确定金融机构的营收总额预测范围。
65.本技术实施例的技术方案，先对金融机构下各分部的历史营收数据进行数据处理和转换，然后将转换后的数据来拟合预测模型，由于预测模型能够反映多维数据间的概率相依结构，很好的将分量之间的联动性保留了下来，能够更加准确地对金融机构未来的营收总额数据进行精准预测，因此，比传统线性回归等预测算法的精度更高，也更加灵活。同时，采用置信区间的方法，利用模型的多个预测结果还可以确定金融机构的营收总额预测范围，不仅能利用该营收总额预测范围检验模型的预测效果，还能作为营收总额走势分析的依据。
66.图4是本实施例中的营收数据的预测装置的结构示意图。本实施例可适用于根据拟合的预测模型对金融机构未来的营收总额进行预测并确定营收总额预测范围的情况，涉及数据分析技术领域。该装置可实现本技术任意实施例所述的营收数据的预测方法。如图4所示，该装置具体包括：
67.模型拟合模块401，用于利用金融机构下各分部的历史营收数据拟合预测模型，其中，所述预测模型用于反映多维数据间的概率相依结构；
68.营收预测总额获取模块402，用于利用所述拟合好的预测模型预测所述各分部的未来营收数据，并将所述各分部的未来营收数据进行求和，得到所述金融机构的营收预测总额；
69.多次预测模块403，用于获取所述拟合好的预测模型经多次预测得到的多个营收预测总额；
70.营收总额预测范围确定模块404，用于根据各个营收预测总额在所述多个营收预测总额中的分位点，确定所述金融机构的营收总额预测范围。
71.可选的，所述预测模型为copula模型。
72.可选的，所述营收预测总额获取模块402具体用于：
73.利用所述拟合好的预测模型产生多维模拟数据，将所述多维模拟数据作为所述各分部的未来营收数据，其中，所述模拟数据的维度与所述分部的个数相同。
74.可选的，所述多次预测模块403具体用于：
75.利用所述拟合好的预测模型进行多次预测，产生多组所述多维模拟数据；
76.将所述每一组多维模拟数据分别进行求和，得到所述多个营收预测总额。
77.可选的，所述营收总额预测范围确定模块404包括：
78.上下界获取单元，用于从所述多个营收预测总额中，获取与预设的上界分位点和下界分位点分别对应的营收预测总额上界和营收预测总额下界；
79.营收总额预测范围确定单元，用于根据所述营收预测总额上界和营收预测总额下界确定所述金融机构的营收总额预测范围。
80.可选的，所述装置还包括：
81.有效性检验模块，用于根据所述金融机构未来营收的真实值和所述营收总额预测范围，对所述预测模型进行有效性检验。
82.可选的，所述装置还包括：
83.变化趋势确定模块，用于根据所述金融机构未来营收的真实值分别与所述营收预测总额上界和营收预测总额下界的数值偏差，确定所述金融机构营收总额的未来变化趋势，其中，所述未来变化趋势包括增长或衰退。
84.可选的，所述模型拟合模块401包括：
85.历史数据获取单元，用于获取所述各分部在过去设定时间段内的每日营收历史数据，并形成营收历史数据矩阵，其中，所述营收历史数据矩阵中的各列对应所述各分部，各行对应各分部的每日营收历史数据；
86.数据转换单元，用于将所述营收历史数据矩阵中的各列数据，按样本分位点值进行转换，得到经验概率分布值矩阵；
87.模型拟合单元，用于利用所述经验概率分布值矩阵拟合所述预测模型。
88.可选的，所述数据转换单元具体用于：
89.将所述营收历史数据矩阵中的各列数据按照大小顺序进行排序，排序后得到各列的样本总体；
90.将经排序的各列数据中的每个数据，转化为其在各列样本总体中对应的分位点值，其中，所述分位点值的取值范围为0至1；
91.根据所述每个数据对应的分位点值得到所述经验概率分布值矩阵。
92.可选的，所述数据转换单元还用于：
93.在不改变所述排序的顺序的情况下，将所述每个数据在各列样本总体对应的分位点值中出现的极值进行缩放。
94.可选的，所述模型拟合模块401具体用于：
95.利用金融机构下各分部的历史营收数据，以极大似然法拟合所述预测模型。
96.可选的，所述装置还包括：
97.模型结构评判模块，用于利用aic准则对所述预测模型的不同结构进行评判，其中，所述评判的目的是根据不同结构的预测模型的aic值，选定最终的预测模型结构。
98.本技术实施例所提供的营收数据的预测装置可执行本技术任意实施例所提供的营收数据的预测方法，具备执行方法相应的功能模块和有益效果。
99.图5为本技术实施例提供的一种电子设备的结构示意图。图5示出了适于用来实现本技术实施方式的示例性电子设备12的框图。图5显示的电子设备12仅仅是一个示例，不应
对本技术实施例的功能和使用范围带来任何限制。
100.如图5所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
101.总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
102.电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
103.系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本技术各实施例的功能。
104.具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本技术所描述的实施例中的功能和/或方法。
105.电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
106.处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本技术实施例所提供的营收数据的预测方法。
107.本技术实施例中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技术实施例所提供的营收数据的预测方法。
108.本技术实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或
器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
109.计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
110.计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
111.可以以一种或多种程序设计语言或其组合来编写用于执行本技术操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
112.此外，本技术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上所述的营收数据的预测方法。
113.本技术实施例的技术方案中，所涉及的用户个人及企业信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
114.注意，上述仅为本技术的较佳实施例及所运用技术原理。本领域技术人员会理解，本技术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技术的保护范围。因此，虽然通过以上实施例对本技术进行了较为详细的说明，但是本技术不仅仅限于以上实施例，在不脱离本技术构思的情况下，还可以包括更多其他等效实施例，而本技术的范围由所附的权利要求范围决定。