论文部分内容阅读
伴随着信息科技、互联网、云计算、物联网、社交网络、智能终端等技术的高速发展,海量数据已围绕在人们身边,这就是“大数据”时代。人们不只是数据的生产者,同时也是数据的受惠者;人们不是只能被动地接受数据和科技,人们能改变科技在生活中所扮演的角色,同时也能改变享受数据带来的恩惠方式。金融行业天生拥有大量的数据,“金融大数据”起源于金融的信息化。大量传统金融行业的数据是为了业务而存在,其本身不具备资产属性。在“大数据”时代,多元化、多样化的数据已发生本质性改变,数据不仅仅是业务信息化的产物,数据也是资产。金融企业可以通过海量数据建立全面的风险管理机制,可以通过海量数据实现精细化管理,也可以通过海量数据改善客户服务质量,提升企业竞争力。随着我国证券市场的发展,证券企业不断涌现,导致了证券企业之间相互竞争客户资源的现象。而我国证券市场也逐步由一个“买方”市场逐步转入到了一个“卖方”市场,证券企业的竞争已开始由新增客户,渐行转向如何稳定存量客户的战略性思考。如何从客户角度思考服务问题是一次大挑战。证券企业不是“替”客户赚更多的钱,而是帮助客户提高收益率。回到客户关系管理的本质,证券企业所有的一切都应该围绕着如何帮助客户提升盈利水平而工作。本文以多样化、多类化、多层次化的客户聚类、客户细分为切入点,为证券企业对客户适当性服务与分类管理提供技术支持。首先,本文提出了一种适用于大数据集的组合聚类方法:BIRCH.K-mediods方法。BIRCH.K-mediods方法是BIRCH方法的衍生,是基于K-mediods聚类对BIRCH方法的改进。BIRCH方法具有抗异常数据干扰性、可伸缩性、可增量性、高效性等特点,其通过构建CF(聚类特征)树层次,可在较小信息丢失的前提下实现对数据的压缩。再用K-mediods聚类方法对CF树结构进行聚类,进一步提升聚类方法的抗异性、准确性和稳定性。其次,本文针对证券交易记录数据,从风险偏好、风险承受能力、交易习惯和资金流动性四个方面,构建了换手率、持仓率、止盈点、止损点、持股时长、资金流动性等的特征提取算法。在算法中,用较为稳健的统计量:中位数代替均值,提升特征提取过程中的抗异性,提高结果的准确率和可信度。最后,本文通过BIRCH.K-mediods方法和稳健的特征提取算法对某证券企业662位客户10年来的近200万余条交易记录进行客户聚类,并甄别出风险性、关注度、价值性、成熟性等属性交互的六类客户,实现多样化、多类化、多层次化的客户分类。本文提出的BIRCH.K-mediods方法满足“大数据”时代对聚类方法的抗异常数据干扰、可伸缩性、可增量性、高效性、稳定性等上的要求,其可谓是适用于“大数据”时代的有效聚类方法之一。通过证券交易记录数据提取出可描述客户多方面状态的动态属性,可增加证券企业对客户的识别和刻画能力。并根据这些动态属性进行聚类,其结果可为证券企业探求不同客户的、最具偏好的针对性需求作支撑。本文不仅细化了解客户属性,还充分了解客户的风险承受能力,这既符合监管部门的管理要求,又是适当性服务的前提之一,特别是对不同风险的投资理财产品的针对性匹配有重要意义。