程成+趙華+陶偉

摘要摘要：隨著我國居民收入的不斷提高及理財意識的不斷增強，消費者對互聯(lián)網(wǎng)理財需求越來越多，但目前關于消費者購買互聯(lián)網(wǎng)理財產品影響因素以及購買意向預測的研究還很少。為了準確挖掘消費者購買理財產品的影響因素，并在此基礎上對購買意向進行預測，首先依托消費者購買理財產品數(shù)據(jù)，運用主成分分析法挖掘其中潛在的、有價值的消費者信息；然后使用PCA對網(wǎng)絡進行降維，將主成分模擬到BP神經網(wǎng)絡中建立購買互聯(lián)網(wǎng)理財產品預測模型；最后對預測進行實證分析。分析結果顯示構造的PCA-BP神經網(wǎng)絡預測模型訓練樣本結果準確率達83.61%，測試樣本準確率達80.12%，具有較好的泛化能力和預測精度，可用于對消費者購買理財產品進行分析和預測。

關鍵詞關鍵詞：數(shù)據(jù)驅動；PCA；BP神經網(wǎng)絡；互聯(lián)網(wǎng)理財

DOIDOI：10.11907/rjdk.162523

中圖分類號：TP319文獻標識碼：A文章編號文章編號：16727800（2017）001010804

協(xié)會2013年度科學技術研究指導性計劃項目（MTKJ2013-366）； 中國科學院網(wǎng)絡數(shù)據(jù)科學與技術重點實驗室開放課題 （CASNDST201405）；山東科技大學創(chuàng)新團隊項目 （2015TDJH102）

作者簡介作者簡介：程成（1993-），女，山東臨沂人，山東科技大學信息科學與工程學院碩士研究生，研究方向為機器學習；趙華（1980-），女，山東泗水人，博士，山東科技大學信息科學與工程學院副教授、碩士生導師，研究方向為智能信息處理；陶偉（1992-），男，山東臨沂人，山東科技大學信息科學與工程學院碩士研究生，研究方向為智能信息處理。0引言

隨著GDP的增長，國民財富呈現(xiàn)遞增趨勢[1]。居民收入的增長促進了居民儲蓄存款的增加，為互聯(lián)網(wǎng)理財提供了堅實的物質基礎。據(jù)中國銀行業(yè)理財市場年度報告， 2015年，銀行業(yè)理財市場累計兌付客戶收益8 651.0億元，比2014年增長1 529.7億元，增幅21.48%。銀行業(yè)金融機構實現(xiàn)理財業(yè)務收益約1 169.9億元，理財產品為客戶帶來了豐厚的回報[2]。

互聯(lián)網(wǎng)理財是一種新穎的理財產品，相較于傳統(tǒng)的金融理財，互聯(lián)網(wǎng)理財具有理財成本低、流動性強、投資門檻[5]崔振輝，李林川，趙承利，等.基于ARIMA的電力視頻流量分析和預目前，互聯(lián)網(wǎng)理財產品種類繁多，如何在紛繁的理財產品中選擇和購買一個適合自身的理財產品是消費者面臨的主要問題。對于企業(yè)，在數(shù)據(jù)驅動背景下，利用客戶數(shù)據(jù)可以預測消費者購買互聯(lián)網(wǎng)理財產品意向，增強各企業(yè)互聯(lián)網(wǎng)理財產品競爭力，并可根據(jù)數(shù)據(jù)對企業(yè)互聯(lián)網(wǎng)理財產品進行優(yōu)化。

客戶行為預測研究很多，大多數(shù)使用決策樹進行預測[5]，但對影響消費者購買理財產品因素未進行解釋和說明。本文通過對已有理財產品購買相關數(shù)據(jù)進行挖掘，采用主成分分析法挖掘其中的影響因素，構造了基于神經網(wǎng)絡的理財產品購買預測模型。

1互聯(lián)網(wǎng)理財產品預測模型與架構

對消費者購買理財產品需求進行預測和分析，需要去尋找潛在的有用信息，因而需要充分挖掘數(shù)據(jù)，發(fā)掘影響消費者購買互聯(lián)網(wǎng)理財產品的各種因素以及影響因素之間的關系。本文基于主成分分析法（Principal Component Analysis， PCA）和人工神經網(wǎng)絡（Artificial Neural Network， ANN）理論，構建了互聯(lián)網(wǎng)理財產品購買意向預測模型。人工神經網(wǎng)絡理論是從信息處理的角度對生物神經網(wǎng)絡的抽象和描述，其中BP（Back Propagation）神經網(wǎng)絡具有較高的容錯能力和自學習能力，可高效并行處理數(shù)據(jù)。因此，本文采用BP神經網(wǎng)絡對相關數(shù)據(jù)進行分析和預測，模型架構如圖1所示。

預測流程：①收集樣本數(shù)據(jù)，并進行數(shù)據(jù)預處理；②對影響消費者購買互聯(lián)網(wǎng)理財產品的多種因素進行分析，并使用主成分分析法從中選取主要因素；③運用人工神經網(wǎng)絡原理，以家庭為單位建立一個預測理財產品模型；④通過挖掘和調查一定數(shù)量的樣本數(shù)據(jù)，訓練神經網(wǎng)絡從而找到合適的參數(shù)；⑤將訓練好的神經網(wǎng)絡模型用于理財產品預測，得到預測結果，對消費者是否購買提供參考意見。

圖1消費者購買互聯(lián)網(wǎng)理財產品預測模型及架構2基于PCA的理財產品影響因素分析消費者對理財產品的需求和購買行為是多元化的，影響消費者購買互聯(lián)網(wǎng)理財產品的因素也是多樣化的，這和消費者的消費意識、經濟條件都有一定關系。從收集信息的角度出發(fā)，考慮因素越多越可以避免重要信息的丟失。在挖掘影響消費者購買互聯(lián)網(wǎng)理財產品的種種因素數(shù)據(jù)中，發(fā)現(xiàn)部分因素之間存在交叉和影響，這使得在神經網(wǎng)絡信息空間維數(shù)較大且輸入變量較多，導致神經網(wǎng)絡的結構變得復雜，且網(wǎng)絡訓練負擔過重、時間過長。然而，如果輸入信息空間維數(shù)較小且變量過少，網(wǎng)絡訓練將容易陷入局部極小點，也可能導致預測精度無法達到要求。只有從眾多影響因素中找出一組合適的輸入數(shù)據(jù)才能有效解釋影響消費者購買理財產品的因素關系，對消費意向做出準確預測。為此，首先從所有的影響因素中抽取主要的影響因素，繼而基于這些主要因素建立購買意向預測模型。所以，本文采用主成分分析法對影響購買意向的主要成分進行選取，剔除影響力弱的指標。分析步驟如下：

（1）樣本數(shù)據(jù)獲取及預處理。本文從互聯(lián)網(wǎng)理財平臺獲取了150條消費者購買理財產品的相關數(shù)據(jù)。

抽取初始影響因素。本文通過兩種方式獲取初始影響因素：一是樣本數(shù)據(jù)中記錄的消費者相關屬性；二是通過專家訪談和查閱文獻。最終獲取以下12個初始因素：年齡（X1）、性別（X2）、婚姻狀況（X3）、學歷（X4）、職業(yè)（X5）、家庭存款（X6）、月收入（X7）、居住條件（X8）、有無汽車（X9）、出生地（X10）、居住地（X11）、理財信息獲取渠道（X12）。

影響因素量化。上述影響因素有些是數(shù)值型屬性，但很多是非數(shù)值型屬性，比如性別、婚姻等。為了方便后續(xù)處理，首先給每個非數(shù)值型屬性制定一個對應的數(shù)值型。比如男對應0，女對應1，已婚對應1，未婚對應0等等。

（2）建立樣本集矩陣（Fij）150×12，其中150表示獲取的樣本數(shù)據(jù)個數(shù)，而12表示最初的影響因素。

（3）求得每一影響因素的均值，假設每一個影響因素記為Xi=（xi1，xi2，...，xi150），則均值Xi=∑150j=1xij150，i=1，2，...，12。

（4）計算每兩個影響因素之間的協(xié)方差cov（Xi，Xj）=∑150k=1（xik-Xi）（xjk-Xj）149，建立協(xié)方差矩陣C150×150=（cij，cij=cov（Xi，Xj））。

（5）計算協(xié)方差矩陣的特征向量和特征值，根據(jù)特征值的排序選擇出主成分因素。

經過上述篩選過程，選擇了其中7個因素作為消費者購買理財產品的影響因素，見表1。

3基于BP神經網(wǎng)絡的理財產品預測3.1人工神經網(wǎng)絡

人工神經網(wǎng)絡是對生物神經系統(tǒng)的信息處理機制進行抽象、簡化與模擬。大量神經元在人工神經網(wǎng)絡中并行互聯(lián)，從而連接構成人工神經網(wǎng)絡。神經網(wǎng)絡本質是要獲得誤差函數(shù)的最小值，以調節(jié)網(wǎng)絡權值[7]。學習過程要一直進行，直到網(wǎng)絡輸出的誤差降低到所設定的誤差精度或是運行到設定的學習次數(shù)為止。

表1影響消費者購買理財產品因素影響因素指標內容年齡18～25歲25～35歲35～45歲45～55歲55歲以上婚姻狀況未婚已婚學歷大專及以下本科碩士博士家庭存款1萬元以下1～5萬元5～10萬元10～50萬元50萬元以上職業(yè)類型[6]名類專業(yè)、技術人員國家機關、黨群組織、企事業(yè)單位負責人辦事人員和有關人員商業(yè)工作人員服務型企業(yè)工作人員農林牧漁勞動者生產工人、運輸工人和有關人員不便分類的其他勞動者居住條件出租房單位公房私人住宅（20m2/人）私人住宅（<20m2/人）有無汽車無車有車圖2所示的神經網(wǎng)絡模型I-J-1網(wǎng)絡，為含有兩層隱含層的BP網(wǎng)絡結構圖。第1層隱層為I中任一神經元用i表示，第2隱層為J中任一神經元用j表示，輸出層為P，其中神經元用p表示。wmi表示為輸入層與第1隱層的網(wǎng)絡權值，wij表示為第1隱層與第2隱層的網(wǎng)絡權值，wjp表示為第2隱層與輸出層的網(wǎng)絡權值。θi表示為第1隱層節(jié)點的閾值；θj表示為第2隱層節(jié)點的閾值；θp表示為輸出層節(jié)點的閾值。

根據(jù)以上分析，得到消費者購買理財產品意向的人工神經網(wǎng)絡圖的預測模型如圖2所示。

在正向傳播過程中，輸入樣本數(shù)據(jù)要經過逐層的隱層結點計算，最終在輸出層得到輸出結果。輸出結果和期望設定值進行比較后得到誤差，誤差再經輸出層通過網(wǎng)絡的連接反向傳播，修改連接權值和閾值，以達到網(wǎng)絡學習的誤差不斷減小。

3.2基于BP算法的消費者購買理財產品意向預測方法

本模型算法包括兩個階段：

（1）對影響消費者購買理財產品的影響因素采用主成分分析法，剔除影響力弱的指標。

（2）在對影響消費者購買理財產品的諸因素進行分析的基礎上，建立BP神經網(wǎng)絡模型。

具體步驟如下：①利用專家訪談和文獻調查法，構建影響消費者購買理財產品的因素集合，并收集樣本數(shù)據(jù)；②利用主成分分析法對影響因素進行選擇，剔除影響力弱的指標。構建影響消費者購買理財產品的因素體系，從而得出用作神經網(wǎng)絡輸入的維度；③對所有影響消費者購買理財產品因素的數(shù)據(jù)進行標準化處理，選擇訓練樣本數(shù)據(jù)和測試樣本數(shù)據(jù)；④對訓練樣本數(shù)據(jù)按BP神經網(wǎng)絡算法進行網(wǎng)絡訓練；⑤判斷網(wǎng)絡輸出的誤差，降低到所設定的誤差精度或是運行到設定的學習次數(shù)。如果是，則學習過程終止，若否，返回步驟④，繼續(xù)學習；⑥將測試樣本數(shù)據(jù)輸入到訓練好的BP神經網(wǎng)絡模型中，使用訓練結果對該模型效果進行評價，如果模型效果顯著，則可用作影響消費者購買理財產品預測；⑦將影響消費者購買理財產品因素的測試樣本數(shù)據(jù)，按指標輸入到效果顯著的訓練好的BP神經網(wǎng)絡中。結合模型輸出結果，進行影響消費者購買理財產品因素的進一步分析。

4實例分析

1988年Cybenko就指出，當各節(jié)點采用Sigmoid型函數(shù)時，一個隱含層就足以實現(xiàn)任意的判決分類問題，兩個隱含層則足以表示輸入圖形的任意輸出函數(shù)[9]。所以對神經網(wǎng)絡將在隱含層中采用Sigmoid型函數(shù)和線性函數(shù)。以互聯(lián)網(wǎng)理財網(wǎng)站中客戶基本信息數(shù)據(jù)為例進行分析，選取150組有效信息，將各組影響因素進行標準化處理。BP神經網(wǎng)絡是一個非線性系統(tǒng)，權值的初始值設置可被認為是神經網(wǎng)絡結構中最重要的一部分[10]。每個神經網(wǎng)絡都需要選取合適的初始權值和閾值，一般情況下權值和閾值的初始值隨機在（-1，1）之間選取。本文構建3層BP神經網(wǎng)絡，輸入層為7個神經元，隱含層為10個神經元，輸出層為1個神經元，學習率設定為0.5，動量因子為0.9，目標誤差為0.01，迭代次數(shù)設定為300。采用100組數(shù)據(jù)作為訓練數(shù)據(jù)，50組作為測試數(shù)據(jù)。圖3為BP神經網(wǎng)絡模型預測結果，預測情況如表2所示?？紤]到初始權值選取對預測結果的影響，表2中的結果為訓練10次得到的平均值。測試結果中訓練樣本結果平均準確率達到83.61%，測試樣本平均準確率達80.12%。由此可知本神經網(wǎng)絡模型具有較好的泛化能力和預測精度，可用于對消費者購買理財產品意向進行分析和預測。

結語

互聯(lián)網(wǎng)理財是一個新興領域，它將傳統(tǒng)理財行業(yè)與互聯(lián)網(wǎng)結合，企業(yè)可以通過挖掘和調查互聯(lián)網(wǎng)理財產品客戶數(shù)據(jù)，對消費者客觀因素進行分析，通過預測得到消費者理財產品購買意向。本文使用PCA和BP相結合的方法進行了預測和分析，經實例驗證該方法可行，是互聯(lián)網(wǎng)理財預測新穎而又簡便的方法。但該系統(tǒng)還存在一些難題：由于調查數(shù)據(jù)較少，不足以形成對消費者情況的完全準確預測，這需要進行更深層次的探索。

參考文獻：

[1]中華人民共和國國家統(tǒng)計局統(tǒng)計年報[EB/OL].http：//www.stats.gov.cn/tjsj/

[2]中國銀行業(yè)理財市場年度報告（2015）[EB/OL]. http：//www.chinawealth.com.cn/zzlc/sjfx/lcbg/20160226/620139.shtml

[3]紀崴. 理財市場的競爭與發(fā)展[J]. 中國金融， 2015（18）：9396.

[4]胡增永. 互聯(lián)網(wǎng)理財與傳統(tǒng)銀行理財業(yè)務比較研究[J]. 財會通訊， 2014（32）：46.

[5]RUTKOWSKI L， JAWORSKI M， PIETRUCZUK L， et al. The CART decision tree for mining data streams[J]. Information Sciences an International Journal， 2014， 266（5）：115.

[6]王月鳳. 最新勞資業(yè)務實用知識手冊[M].北京： 中國勞動出版社， 1995（12）：548549.

[7]李從剛， 童中文， 曹筱玨. 基于BP神經網(wǎng)絡的P2P網(wǎng)貸市場信用風險評估[J]. 管理現(xiàn)代化， 2015， 35（4）：9496.

[8]BHATT A K， PANT D. Automatic apple grading model development based on back propagation neural network and machine vision， and its performance evaluation[J]. Ai & Society， 2013， 30（1）：4556.

[9]G CYBENKO.Continuous valued neural networks with two hidden layers are sufficient[R]. Technical Report，Tufts University， Medford， 1988.

[10]GAXIOLA F，MELIN P，VALDEZ F，et al.Generalized type2 fuzzy weight adjustment for backpropagation neural networks in time series prediction[J].Information Sciences，2015，325（3）：159174.

責任編輯（責任編輯：杜能鋼）