<thead id="tcudq"><del id="tcudq"></del></thead>
  • <var id="tcudq"><ruby id="tcudq"></ruby></var>
  • <thead id="tcudq"><s id="tcudq"></s></thead>
    <object id="tcudq"></object>
    <thead id="tcudq"><s id="tcudq"></s></thead>
    <i id="tcudq"></i>
    <thead id="tcudq"><del id="tcudq"></del></thead>

    http://www.fjcgy.com.cn

    剛泰集團

    剛泰集團

    剛泰集團-實體名單

    2021年3月,中國銀行業監督管理委員會發布《商業銀行負債質量管理辦法》號文件,明確要求銀行從債務來源的穩定性、結構的多樣性、與資產匹配的合理性、收購的主動性、成本的適當性、項目的真實性六個方面加強債務質量管理,對銀行構建更加全面的債務業務管理體系提出了新的要求。

    近年來,隨著各種新興金融業態的快速發展,銀行的債務成本逐漸上升,債務業務的復雜性和管理難度日益增加。事實上,監管機構一直非常關注銀行債務管理的質量。2020年1月,銀監會提出盡快推進制定債務質量監管措施的進程,進一步提高商業銀行負債的匹配性和穩定性;2020年3月,央行發文加強存款利率管理,督促整改非標準存款“創新”產品,促進銀行債務成本下降;隨后監管部門加強結構性存款和互聯網存款督促整改,加大異地存款和非法存放管理力度;2021年1月,《商業銀行負債質量管理辦法(征求意見稿)》征求社會意見;2021年3月,《商業銀行負債質量管理辦法》頒布實施。這是我國第一份規范商業銀行負債的系統性政策文件。從負債質量管理體系、負債質量管理要素和負債質量管理監督等方面,對商業銀行系統管理負債質量提出了明確要求。

    智能銀行視角下的債務管理

    剛泰集團-中國企業五百強

    企業存款業務損失預測

    如何有效地驅動大數據人工智能技術來增強商業銀行的債務管理能力,已經成為學術界和工業界金融機構關注的焦點。債務產品日益豐富源于業務方在充分了解和掌握監管要求后不斷創新,大數據人工智能技術在拓展債務渠道和來源方面潛力巨大。隨著金融脫媒的加劇,許多銀行的企業存款業務損失日益嚴重。以國內某商業銀行公司存款客戶的真實數據為基礎,緊密結合商業銀行實際,探索公司存款業務規則,實現公司存款損失的預測。

    首先,我們利用無監督學習聚類技術定義存款業務的損失,明確公眾一般存款在該季度的日均跌幅大于55%為損失;然后,利用監督學習分類技術,在綜合考慮客戶基本特征、業務特征和交易特征的基礎上,構建了企業存款業務損失預測模型。從模型效果的角度,采用混淆矩陣對模型進行評價。結果表明,該模型可以預測近50%的客戶未來存款將下降(即模型在測試集上的召回指數接近0.5),預測準確率超過70%(即模型在測試集上的精度指數為0.7)。從實現經濟效益的角度出發,計算留存客戶帶來的日均存款額,通過歷史數據獲取銀行每個季度的平均和最低客戶流失率,嚴格選擇最低值作為流失率的基準;然后統計模型應用以來每個季度的客戶流失率,并與基準流失率進行對比,計算模型應用后每個季度流失客戶較少的比例、客戶數量和日均存款額。實證結果表明,經過一年的試用,該模型每天可回收企業存款約4億元。

    剛泰集團-40億韓元

    通過對相關業務的進一步分析,發現不同存款水平的客戶,存款下降的原因和表現特征是不同的。在綜合考慮客戶基本特征、業務特征和交易特征等信息的基礎上,我們根據業務實踐為不同存款規模的客戶群體定義存款損失。比如存款余額5000萬元以上的客戶,月平均存款減少100萬元以上;存款余額不超過5000萬元的客戶的月平均和日平均公司存款逐月減少,這意味著有損失。通過對監督學習分類技術的分析,得出銀行公司存款損失主要與產品到期和客戶交易行為有關,如客戶定期存款到期后無法與其他金融產品連接,客戶表外業務到期導致資產業務導致存款損失等。新的存款業務損失預測模型可以將以前的季度預測升級為月度預測。從模型效果的角度,利用混淆矩陣對模型進行評價,結果表明,新模型能夠預測出60%以上的客戶未來存款會下降(即模型在測試集上的Recall指數為0.6),預測準確率達到70%以上(即模型在測試集上的Precision指數為0.7)。同時,該模型可以在客戶存款下降前給出未來存款可能下降的客戶名單,并給出客戶存款下降的可能原因和輔助信息,使一線人員能夠有效留住客戶,降低存款損失率,提高存款穩定性,進而提高債務質量管理水平。

    企業存款業務批量獲取客戶

    在企業業務發展過程中,銀行不僅要做好債務業務損失的“節流”預警工作,還要充分利用各種手段“開源”批量獲取客戶,拉動負債。傳統的銀行“點對點”客戶獲取方法成本高、效率低。開發一種基于機器學習和數據挖掘算法的高效批量客戶獲取模式已經成為業界關注的焦點。

    剛泰集團-寶碩股份

    基于大數據圖挖掘技術,介紹了一種從銀行企業存款批量獲取客戶的方法:用拓撲圖構建客戶交易網絡,描述客戶交易轉移行為,利用圖模型量化分析企業客戶在網絡中的影響,從而鎖定潛在客戶批量獲取客戶。以國內某商業銀行為例,基于其業務客戶數據,利用圖形展現的可視化技術,構建一個以年度時間窗內每個客戶為中心的“有向圖”,刻畫與該客戶相關的周邊客戶的相關信息。通過多級交易鏈信息展示,進一步識別客戶之間的交易鏈關系,從而在圖中輸入與銀行客戶形成上下游關系的法人企業數量、交易金額、交易對手分布等信息

    行進一步探查。實證分析結果顯示,基于大數據圖挖掘的對公存款客戶批量獲客較傳統新客戶開發而言,成功獲客實現3.65倍的提升,并可在一年半至兩年的模型試應用觀測期末貢獻超過1000億元人民幣的新增對公存款時點余額。

    對公負債定價研究

    剛泰集團-軍工股有哪些

    Shibor(上海銀行間同業拆借利率)作為反映市場利率變動的重要指標,對于指導商業銀行利率定價方面發揮著重要作用。另外,國庫現金存款作為商業銀行主動負債的一項重要來源,有研究表明其中標利率也與Shibor之間存在著穩定的均衡關系。

    鑒于Shibor能夠在一定程度上反映貨幣市場上貨幣的供求關系,因此通過有監督學習趨勢預測技術對Shibor趨勢進行預測,在一定程度上對于商業銀行提高市場利率預判能力具有較高的指導和參考意義;商業銀行可根據Shibor趨勢,適時調整負債定價策略、負債期限結構,降低利率風險;也可根據Shibor趨勢,調整主動負債吸收策略,降低銀行付息成本。

    對于Shibor的預測,早期主要運用的是傳統的金融時間序列模型。隨著大數據人工智能的發展,傳統方法的局限性日益凸顯。就目前學界的研究結果而言,無論是傳統的時間序列模型,還是單一的機器學習方法,其對Shibor值預測的偏差均隨著預測時間段的加長而增大。由于現實問題的復雜性,往往需要多次運用不同的數據挖掘技術?;诖?,我們對于Shibor值的預測提出一種可能方案,即運用“回歸樹+時間序列”的方法來實現3個月(3M)Shibor值預測。該算法不僅能有效避免單一技術方法的局限性,而且能更深層次地對Shibor值的預測進行探索。

    剛泰集團-塞浦路斯

    零售儲蓄存款交叉銷售

    除對公存款外,零售客戶儲蓄存款由于分散程度高、抗周期性強,往往承擔著銀行負債“穩定器”的作用。從資產組合的角度出發,將零售客戶的儲蓄存款作為交叉銷售的重要產品進行配置,不僅可增強客戶資產組合穩定性,對銀行負債質量的提升也具有重要作用。

    基于國內某商業銀行高凈值客戶產品持有情況,我們用“存款”“理財”和“其他”三個維度進行刻畫。從負債管理視角,鑒于儲蓄存款較理財產品而言具有資金成本低、有助于提高銀行存貸比等特點,故通過運用無監督學習分配規律挖掘技術,旨在實現客戶不流失降級、客戶金融資產總額不下降的前提下,找到最有潛力提升自身儲蓄存款占比的客戶群體,并有針對性地開展交叉銷售?;谕诰蛏傻南嗨茲撡|客戶識別規律,選擇客群中儲蓄存款占比較低的客戶作為交叉銷售對象,進行名單制營銷。實證分析結果顯示,試應用該算法識別并鎖定相關客群,其中有75%的客戶繼續保持“高凈值”客戶身份,相關客群業務穩定,流失率低;同時,在該算法識別出的潛在客戶中有高達62.5%的客戶實現了不同程度的儲蓄存款新增,累計實現儲蓄存款提升約1000萬元人民幣。

    剛泰集團-引入

    在智慧銀行視角下,我們運用多種機器學習與數據挖掘技術,從對公存款業務流失預測、對公存款業務批量獲客、對公負債定價研究以及零售儲蓄存款交叉銷售等多個負債業務場景出發,對商業銀行智能化負債管理提出可行性方案,以期為商業銀行在提升負債規模和降低負債成本等智能化負債質量管理方面提供有益借鑒。

    (龍盈智達〔北京〕科技有限公司劉金鳳、周博韜對本文亦有貢獻)

    作者單位:龍盈智達〔北京〕科技有限公司,華夏銀行

    鄭重聲明:本文版權歸原作者所有,轉載文章僅為傳播更多信息之目的,如作者信息標記有誤,請第一時間聯系我們修改或刪除,多謝。