王 媛

一、引言

以余額寶為代表的互聯(lián)網(wǎng)金融作為一種創(chuàng)新的金融服務(wù)模式對(duì)傳統(tǒng)金融行業(yè)產(chǎn)生了巨大的沖擊。余額寶最大的創(chuàng)新之處在于用戶把資金從外部轉(zhuǎn)入余額寶的同時(shí)能夠完成對(duì)貨幣基金的購(gòu)買，而在客戶需要資金時(shí)可以在自己的已申購(gòu)金額內(nèi)隨時(shí)轉(zhuǎn)出自己需要的金額，用于在線消費(fèi)、移動(dòng)支付或者轉(zhuǎn)到銀行卡等，極大地簡(jiǎn)化了操作流程，實(shí)現(xiàn)了“T+0”的高流動(dòng)性資金轉(zhuǎn)移。

資金流動(dòng)情況管理和預(yù)測(cè)是是保障企業(yè)正常運(yùn)營(yíng)的重要的一個(gè)基礎(chǔ)環(huán)節(jié)。現(xiàn)金流是動(dòng)態(tài)變化的，一旦流入現(xiàn)金流少于流出現(xiàn)金流，就會(huì)遭受現(xiàn)金流危機(jī)。對(duì)余額寶這種用戶資金流動(dòng)性非常高的平臺(tái)，對(duì)資金的流入和流出進(jìn)行預(yù)測(cè)是非常重要的。

時(shí)間序列分析方法是對(duì)金融領(lǐng)域進(jìn)行定量研究預(yù)測(cè)的一種有效有段。本文研究基于時(shí)間序列分析的余額寶資金流入流出金額的預(yù)測(cè)模型，在資金流入流出的預(yù)測(cè)中考慮了客戶分類對(duì)和申購(gòu)和贖回的影響，對(duì)不同類別的用戶分別建立時(shí)間序列模型進(jìn)行分析，提高了預(yù)測(cè)分析的準(zhǔn)確性。

二、相關(guān)研究

由于資金流對(duì)企業(yè)而言極其重要，已經(jīng)有不少對(duì)資金流預(yù)測(cè)的研究。模型分析法建立價(jià)格指數(shù)的模型，依據(jù)模型進(jìn)行股價(jià)預(yù)測(cè)?；痉治龇◤暮暧^經(jīng)濟(jì)、行業(yè)和公司三個(gè)層面進(jìn)行分析，理論上能夠?qū)φw價(jià)格走勢(shì)進(jìn)行分析，但實(shí)際應(yīng)用中的表現(xiàn)總是顯得差強(qiáng)人意。在20世紀(jì)，時(shí)間序列分析方法逐漸發(fā)展壯大，成為經(jīng)濟(jì)發(fā)展的重要推動(dòng)力量。Yule率先使用自回歸模型預(yù)測(cè)市場(chǎng)的變化規(guī)律。Bollerslev等提出了GARCH模型?；ヂ?lián)網(wǎng)理財(cái)平臺(tái)會(huì)涉及到大量的資金，并且資金的流動(dòng)性比傳統(tǒng)金融行業(yè)中更強(qiáng)。目前已經(jīng)有學(xué)者探索分析方法之間的融合，將時(shí)間序列分析與干預(yù)分析、人工智能等方法結(jié)合起來(lái)進(jìn)行數(shù)據(jù)的分析和挖掘，在更好地把握時(shí)間序列的變化規(guī)律的同時(shí)發(fā)掘出更多有價(jià)值的信息。

三、基于用戶分類的資金流預(yù)測(cè)模型

不同類別的用戶在申購(gòu)和贖回過(guò)程中會(huì)有不同的規(guī)律。本文中使用K-均值聚類方法對(duì)用戶進(jìn)行分類，將用戶分為“大額用戶”和“普通用戶”兩類。所以本文在分析過(guò)程中，對(duì)兩類用戶的數(shù)據(jù)分別進(jìn)行預(yù)測(cè)，在進(jìn)行匯總，從而提高預(yù)測(cè)的準(zhǔn)確度。在進(jìn)行時(shí)間序列分析時(shí)，選擇總申購(gòu)金額,消費(fèi)金額和轉(zhuǎn)出金額這三個(gè)變量分別回歸預(yù)測(cè)。構(gòu)建時(shí)間序列模型，在分析之后，對(duì)預(yù)測(cè)結(jié)果進(jìn)行匯總，從而評(píng)價(jià)整體的預(yù)測(cè)準(zhǔn)確度。

1.用戶分類

資金的流動(dòng)性風(fēng)險(xiǎn)和用戶的聯(lián)系尤為密切，不同類別的用戶在申購(gòu)和贖回過(guò)程中產(chǎn)生的數(shù)據(jù)集會(huì)具有不同的規(guī)律和趨勢(shì)。在本文中，通過(guò)聚類的方法將用戶依據(jù)各自的數(shù)據(jù)特點(diǎn)聚集成不同的簇，從而實(shí)現(xiàn)對(duì)用戶進(jìn)行分類。首先挑選出符合要求的變量，然后確定合適的聚類數(shù)，最后利用K-均值聚類方法按照選定的變量和確定的分類數(shù)進(jìn)行聚類。

在進(jìn)行用戶聚類之前，通過(guò)Pearson相關(guān)系數(shù)對(duì)變量之間的相關(guān)性進(jìn)行分析，挑選出合適的變量用于聚類分析。通過(guò)分析選取今日余額、今日申購(gòu)金額、今日轉(zhuǎn)出總量、今日消費(fèi)金額和今日轉(zhuǎn)出到余額寶余額總量等沒(méi)有明顯相關(guān)關(guān)系的5個(gè)變量。

2.預(yù)測(cè)模型

本文分別對(duì)余額寶的用戶的申購(gòu)和贖回進(jìn)行預(yù)測(cè)。在用戶的申購(gòu)行為上，通過(guò)支付寶轉(zhuǎn)入或者通過(guò)銀行卡轉(zhuǎn)入資金購(gòu)買都是對(duì)余額寶的認(rèn)可，區(qū)別不大。用戶贖回對(duì)余額寶而言意味著現(xiàn)金流出，如果用戶將資產(chǎn)從余額寶中贖回轉(zhuǎn)入到支付寶或銀行卡中，可能暗示了用戶對(duì)余額寶不信任或者興趣度降低等現(xiàn)象發(fā)生。如果用戶用于消費(fèi)則表示用戶對(duì)資金的需求，所以對(duì)用戶贖回這一行為分析的時(shí)候分為消費(fèi)和轉(zhuǎn)出。所以選擇當(dāng)日申購(gòu)金額、消費(fèi)金額、轉(zhuǎn)出金額這三個(gè)維度作為變量進(jìn)行分析，其中用戶的贖回金額為消費(fèi)金額和轉(zhuǎn)出金額之和,用戶的申購(gòu)金額作為一個(gè)整體進(jìn)行分析。

首先根據(jù)用戶分類中對(duì)余額寶用戶的劃分，將大額用戶(key account)記為Uk，將普通用戶normal記為Un,分別采用ARIMA模型對(duì)其進(jìn)行時(shí)間序列建模。ARIMA（p，d，q）的全稱是差分自回歸移動(dòng)平均模型，它是由三個(gè)部分組成的，其中“AR”代表的是自回歸模型，p為自回歸項(xiàng)，是AR模型的最高階數(shù)；“MA”代表的是移動(dòng)平均模型，q為移動(dòng)平均項(xiàng)數(shù)，是MA模型的最高階數(shù)；“I”代表的是差分，對(duì)原始時(shí)間序列做d次差分后得到的數(shù)列能夠滿足進(jìn)行時(shí)間序列分析所要求的平穩(wěn)性。ARIMA模型本質(zhì)上是對(duì)差分穩(wěn)定序列擬合自回歸移動(dòng)平均模型。

把兩類用戶贖回金額之和記為Mr使用表示大額用戶消費(fèi)金額，用表示大額用戶轉(zhuǎn)出金額，用表示普通用戶消費(fèi)金額，用表示普通用戶轉(zhuǎn)出金額。贖回的預(yù)測(cè)模型如下：

其中，Pi分別為六組時(shí)間序列的ARIMA模型中AR(p)模型的參數(shù)p，qi分別為六組時(shí)間序列的ARIMA模型中的MA(q)模型中的參數(shù)q，B為延遲算子，εt為零均值白噪聲序列。建模預(yù)測(cè)在未來(lái)一個(gè)月內(nèi)，余額寶每天的資金總流出金額以及總流入金額。依據(jù)預(yù)測(cè)的目的，對(duì)之前建立的六個(gè)時(shí)間序列模型進(jìn)行組合，從而構(gòu)建出最終需要的預(yù)測(cè)模型--基于客戶分類的時(shí)間序列預(yù)測(cè)模型。

四、實(shí)證分析

文中所使用到的數(shù)據(jù)由螞蟻金服官方提供，可以從網(wǎng)址https://tianchi.aliyun.com得到本文中所使用的數(shù)據(jù)，對(duì)模型進(jìn)行實(shí)證分析。選取在2014年3月1日至2014年7月31日之間，共有1614551條訓(xùn)練集數(shù)據(jù)。據(jù)作為訓(xùn)練集，用于模型的構(gòu)建。使用構(gòu)建的模型對(duì)2014年8月份每天申購(gòu)和贖回金額總量數(shù)據(jù)進(jìn)行預(yù)測(cè)，并用真實(shí)的數(shù)據(jù)對(duì)預(yù)測(cè)結(jié)果的準(zhǔn)確性進(jìn)行驗(yàn)證，檢測(cè)模型的可信度。首先對(duì)用戶進(jìn)行聚類，通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)可以很好地把用戶分為兩類。

對(duì)于大額用戶，首先要進(jìn)行數(shù)據(jù)的平穩(wěn)性檢測(cè)，為了增強(qiáng)數(shù)據(jù)的穩(wěn)定性，對(duì)數(shù)據(jù)進(jìn)行一階差分處理。因此，在構(gòu)建相應(yīng)的ARIMA（p,d,q）模型時(shí)，參數(shù)d的值為1。接下來(lái)需要確定參數(shù)p和參數(shù)q的取值。為此，做一階差分序列的自相關(guān)圖和偏自相關(guān)圖，得到參數(shù)p和參數(shù)q的大致取值范圍。首先通過(guò)自相關(guān)圖和偏自相關(guān)圖判斷出參數(shù)取值的大致范圍，再進(jìn)一步由BIC熱度圖具體判斷出參數(shù)的最佳取值。

普通用戶的數(shù)據(jù)在構(gòu)建模型時(shí)，同樣分為三個(gè)模型進(jìn)行構(gòu)建：普通用戶申購(gòu)金額模型，普通用戶消費(fèi)金額模型以及普通用戶轉(zhuǎn)出金額模型。與大額用戶相同，下文將對(duì)這三個(gè)模型的構(gòu)建過(guò)程進(jìn)行詳細(xì)的描述。首先進(jìn)行平穩(wěn)性分析，決定是否要進(jìn)行差分處理。普通用戶消費(fèi)金額時(shí)間序列本身就是平穩(wěn)的，沒(méi)有做差分處理，所以ARIMA模型中參數(shù)d的值為0。對(duì)參數(shù)p和參數(shù)q的值進(jìn)行判斷即可。首先依據(jù)自相關(guān)圖和偏自相關(guān)圖進(jìn)行初步判斷，然后根據(jù)BIC熱度圖具體判斷出參數(shù)的最佳取值。

本次的預(yù)測(cè)目標(biāo)是對(duì)余額寶未來(lái)31個(gè)交易日的流入資金金額和流出資金金額進(jìn)行預(yù)測(cè)。按照前文中構(gòu)造的基于用戶的時(shí)間序列模型對(duì)目標(biāo)數(shù)據(jù)進(jìn)行預(yù)測(cè)。我們分別得到用戶申購(gòu)和贖回金額預(yù)測(cè)值和真實(shí)值折線圖，從實(shí)驗(yàn)數(shù)據(jù)分析，本文提出的基于用戶分類模型的預(yù)測(cè)效果可以較好的擬合出資金流入和資金流出的變化趨勢(shì)。文中的模型對(duì)趨勢(shì)變化的預(yù)測(cè)準(zhǔn)確度也較高。

五、結(jié)論與進(jìn)一步的工作

本文從余額寶資金流動(dòng)性入手，實(shí)現(xiàn)用戶的分類、變量的選擇以及預(yù)測(cè)模型的構(gòu)建和實(shí)現(xiàn)。利用螞蟻金服提供的貨幣市場(chǎng)基金真實(shí)數(shù)據(jù)進(jìn)行分析和論證，對(duì)其未來(lái)一個(gè)月的資金流入和流出情況進(jìn)行預(yù)測(cè)，以可視化的方式呈現(xiàn)預(yù)測(cè)結(jié)果，評(píng)估所構(gòu)建的時(shí)間序列模型的有效性。

本文的工作重點(diǎn)是用戶分類和變量選擇與構(gòu)建時(shí)間序列模型，對(duì)影響資金流因素這方面仍然后很多工作可以做，本文中構(gòu)建的基于用戶分類的時(shí)間序列模型仍有很大的改進(jìn)空間。日后更進(jìn)一步的研究工作主要從以下幾個(gè)方面進(jìn)行：（1）加強(qiáng)單點(diǎn)預(yù)測(cè)。中國(guó)節(jié)假日很大一部分都是按農(nóng)歷計(jì)算的，因此，假日的具體日期是不確定的，這一現(xiàn)象增加了對(duì)節(jié)假日消費(fèi)情況預(yù)測(cè)的難度。（2）考慮宏觀經(jīng)濟(jì)環(huán)境。隨著各項(xiàng)經(jīng)濟(jì)政策的出臺(tái)以及對(duì)余額寶監(jiān)管力度的增強(qiáng)，在余額寶收益率出現(xiàn)下降的情況，因此余額寶對(duì)用戶的吸引力可能會(huì)出現(xiàn)變化。大額客戶和工薪階級(jí)的考慮的地方不同，因而做出的反應(yīng)也不同。（3）考慮個(gè)性化數(shù)據(jù)的影響。在余額寶所提供的數(shù)據(jù)中，有許多個(gè)性化的數(shù)據(jù)。例如：星座，城市，性別等等。對(duì)用戶個(gè)性化的數(shù)據(jù)開(kāi)展更為細(xì)致的分析工作，能夠更好地進(jìn)行人群畫(huà)像。