论文部分内容阅读
2021年3月，银保监会《商业银行负债质量管理办法》出台，明确要求银行从负债的来源稳定性、结构多样性、与资产匹配合理性、获取的主动性、成本适当性及项目真实性六个方面加强负债质量管理，对银行构建更加全面的负债业务管理体系提出了新的要求。
商业银行负债管理发展概述
银行负债管理理论主要经历了“存款负债论”“购买负债论”“销售负债论”等发展阶段。我国银行业早期主要遵循“存款负债论”开展业务，该理论重点关注存款状况并由此来指导贷款业务，其优点在于尽可能地保障了银行的安全性与流动性，但却牺牲了银行的盈利性。而后，银行负债管理逐步转向“购买负债论”，该理论指出银行为确保其流动性必要时可进行主动负债，但伴随负债扩张而产生的风险也相应增大。同时，随着同业资金监管的逐步增强，该理论的发展面临着进一步的挑战。“销售负债论”则认为负债管理的任务是以客户为中心，以客户需求为导向，设计出满足客户需求的产品并销售给客户，提升负债产品销售主动性，从而提升客户服务能力。
近年来，各类新兴金融业态快速发展，银行负债成本逐步抬高，负债业务的复杂程度和管理难度日益增高。事实上，监管机构一直以来高度关注银行负债管理质量。2020年1月，银保监会提出要尽早推进制定负债质量监管办法的进程，从而进一步提高商业银行负债的匹配性以及稳定性;2020年3月，央行发文强化存款利率管理，督促整改不规范存款“创新”产品，推动银行负债成本的下降;随后，监管部门加强结构性存款和互联网存款督促整改，加大异地存款、违规吸储的管理力度;2021年1月，《商业银行负债质量管理办法（征求意见稿）》向社会征求意见;2021年3月，《商业银行负债质量管理办法》出台并施行，它是我国第一份针对商业银行负债进行规范的系统性政策文件，从负债质量管理体系、负债质量管理要素、负债质量管理监督等方面对商业银行系统化地管理负债质量提出了明确的要求。
机器学习与数据挖掘相关技术在银行负债管理方面的应用探讨
有监督学习分类技术。构建有监督学习分类模型的目的是要对未来一个未知类别标签的数据样本进行类别标签预测，来识别该样本的类别归属;在此之前，对现存若干已知类别标签的数据样本进行学习是必不可少的，而在这个学习过程中通常会为每个类别标签都收集一定数量的数据样本;分类器就是在用来学习的数据中萃取出X标签特征字段对Y标签（类别标签）的映射函数、机制或规则集。在商业银行负债业务场景下，有监督学习分类技术可用于对存款业务的未来流失情况进行预测。
有监督学习趋势预测技术。有监督学习趋势预测技术用以構建连续值函数模型，其任务就是输入目标字段Y以往的数值和相关X标签特征字段信息，实现对目标字段Y未来数值的估算。在商业银行负债业务场景下，有监督学习趋势预测技术可用于对主动负债业务成本进行有效地定价分析。
无监督学习聚类技术。无监督学习聚类技术源于“物以类聚”的思想，根据数据特征属性来对数据样本进行分群。当数据样本不带有类别标签时，可以使用聚类技术促使可能带有潜在相同类别标签的数据样本聚为一群，所以说聚类可以被看作是一种无监督的分类。在聚类分析中，类别中样本的相似性越大、类别间样本的差异性越大，聚类的效果就越好。对样本相似性和差异性的度量，通常使用欧几里得距离方法。在商业银行负债业务场景下，无监督学习聚类技术可用于对银行负债业务流失情况进行定义。
无监督学习关联规则挖掘及分配规律挖掘技术。为研究超级市场商品项目之间诸如“购买啤酒会导致尿片被购买”这类产品交叉销售问题，无监督学习关联规则挖掘问题于1993年被提出。在关联规则挖掘的诸多算法改进中，一个重要的方向是数量关联规则挖掘;在市场应用中，数量关联规则可以简单表示为<面包[9， 14]>→<火腿[12， 20]>，该表达式可解释为“当人们购买9～14个面包时，他们倾向于同时购买12～20个火腿”。更进一步，分配规律挖掘技术可以从数据中发现<面包[0.25]+火腿[0.35]>→<牛奶[0.40]>这样的表达式，其可解释为“当人们把25%和35%的资金分配到面包和火腿的购买中时，他们倾向于同时将40%的资金分配到牛奶的购买中”。分配规律挖掘技术不仅可以表明各项目之间重要性的相关程度，而且实现了总体之间的“分配”规则，即描述了总体是如何被分配在各项目之间的。在市场应用中，分配规律挖掘可以用来表示顾客对于多种商品的资金分配习惯;而将牛奶、面包、火腿等商品替换为储蓄存款、理财、基金、贷款、中间服务等金融产品，分配规律挖掘技术则可用于探索“销售负债论”中的银行资产类、中间服务类等产品与负债产品的交叉销售策略。
图数据挖掘与社交网络分析技术。图数据挖掘技术常被用于对社交网络的分析和探索中。图作为常见的数据结构之一，能够有效且可视化地描述事物间的复杂关系。随着图数据库技术的不断发展，图数据分类、聚类等数据挖掘技术也蓬勃发展。在商业银行负债业务场景下，大量客户之间的关系数据，尤其是客户之间的交易转账行为作为社交网络数据集，可用以构建客户交易网络，并通过运用图技术遍历交易链，识别供应链，刻画产业链;同时，图模型可用以量化分析企业客户在网络中的影响力，发现客户交易网络中的核心客户，并通过核心客户交易链、供应链、产业链向上下游拓展业务，在实现银行批量获客的同时，通过对链上客户提供支付结算等现金管理服务，打造低成本存款在银行体内循环的良性生态，以智能营销拉动负债业务增长。
智慧银行视角下的负债管理研究
对公存款业务流失预测
如何有效驱动大数据人工智能技术为商业银行负债管理赋能，已成为学界和业界各金融机构关注的焦点。负债产品的日益丰富源于业务端在对监管要求的充分理解和熟悉掌握后进行的不断创新，而大数据人工智能技术对于拓展负债渠道和来源存在巨大潜力。随着金融脱媒加剧，不少银行对公存款业务流失情况日趋严重。基于国内某商业银行对公存款客户真实数据，我们探索与商业银行实践紧密结合的对公存款业务规律，从而实现对对公存款流失的预测。 我们首先采用无监督学习聚类技术对存款业务流失进行定义，明确对公一般性存款季日均比上季度下降超过55%为流失;而后采用有监督学习分类技术，在综合考量客户基本特征、业务特征和交易特征等信息的基础上，构建对公存款业务流失预测模型。从模型效果来看，通过运用混淆矩阵对模型进行评估，结果表明该模型能够预测出近50%未来存款下降的客户（即模型在测试集上的Recall指标接近0.5），并且具有超过70%的预测精准性（即模型在测试集上的Precision指标> 0.7）。从实现经济效益来看，我们对挽留客户所带来的存款日均金额进行测算，通过历史数据得到该银行各季度客户流失率平均值和最低值，并严格地选取最低值作为流失率基准;随后，我们统计了自模型应用以来各季度的客户流失率，并通过与基准流失率进行比较，计算出模型应用后每个季度少流失客户的比率、客户数及带来的存款日均金额。实证结果显示，试应用该模型1年左右的时间，能够挽回对公存款年日均约4亿元人民币。
通过对相关业务进一步分析发现，不同存款水平的客户，其存款下降原因及表现特征各不相同。在综合考量客户基本特征、业务特征和交易特征等信息的基础上，我们结合业务实际对不同存款规模的客群分别进行存款流失定义。例如：存款余额高于5000万元人民币的客户对公存款月日均环比下降超过100万元人民币;存款余额不高于5000万元人民币的客户对公存款月日均环比下降，即认为发生流失。通过运用有监督学习分类技术分析得出该银行对公存款流失主要与产品到期和客户交易行为有关，比如客户定期存款到期后无法衔接其他金融产品、客户表外业务到期导致资产类业务带来的存款沉淀流失等。新的存款业务流失预测模型可以将之前按季度进行预测升级为按月度进行预测。从模型效果来看，通过运用混淆矩阵对模型进行评估，结果表明新的模型能够预测出60%以上未来存款下降的客户（即模型在测试集上的Recall指标>0.6），并且具有超过70%的预测精准性（即模型在测试集上的Precision指标>0.7）。同时，该模型能够在客户存款下降前给出未来存款可能发生下降的客户名单，并给出客户存款下降的可能原因及辅助信息，以便于一线人员有效地挽留客户，降低存款流失率，提高存款稳定性，进而提升了负债质量管理水平。
对公存款业务批量获客
银行在对公业务发展过程中，除了做好负债业务流失预警的“节流”工作外，还应充分运用多种手段“开源”批量获客、拉动负债。传统银行“点对点”的获客方式成本高、效率低，基于机器学习和数据挖掘算法开拓高效的批量获客模式已成为业界的关注焦点。
基于大数据图挖掘技术，我们介绍一种银行对公存款批量获客的方法：通过以拓扑图来构建客户交易网络，描绘客户交易转账行为，并使用图模型来量化分析企业客户在网络中的影响力，进而锁定潜在客户實现批量获客。我们以国内某商业银行为例，基于其公司业务客户数据，运用图展现可视化技术，在年度时间窗口内，构建出以每名客户为中心的“有向图”以刻画与该名客户相关的周边客户关联信息。通过多级交易链信息展现，进一步识别客户间交易链关联关系，从而对图中与该银行客户形成上下游关系的对公企业数量、交易金额、交易对手分布等信息进行进一步探查。实证分析结果显示，基于大数据图挖掘的对公存款客户批量获客较传统新客户开发而言，成功获客实现3.65倍的提升，并可在一年半至两年的模型试应用观测期末贡献超过1000亿元人民币的新增对公存款时点余额。
对公负债定价研究
Shibor（上海银行间同业拆借利率）作为反映市场利率变动的重要指标，对于指导商业银行利率定价方面发挥着重要作用。另外，国库现金存款作为商业银行主动负债的一项重要来源，有研究表明其中标利率也与Shibor之间存在着稳定的均衡关系。
鉴于Shibor能够在一定程度上反映货币市场上货币的供求关系，因此通过有监督学习趋势预测技术对Shibor趋势进行预测，在一定程度上对于商业银行提高市场利率预判能力具有较高的指导和参考意义;商业银行可根据Shibor趋势，适时调整负债定价策略、负债期限结构，降低利率风险;也可根据Shibor趋势，调整主动负债吸收策略，降低银行付息成本。
对于Shibor的预测，早期主要运用的是传统的金融时间序列模型。随着大数据人工智能的发展，传统方法的局限性日益凸显。就目前学界的研究结果而言，无论是传统的时间序列模型，还是单一的机器学习方法，其对Shibor值预测的偏差均随着预测时间段的加长而增大。由于现实问题的复杂性，往往需要多次运用不同的数据挖掘技术。基于此，我们对于Shibor值的预测提出一种可能方案，即运用“回归树+时间序列”的方法来实现3个月（3M）Shibor值预测。该算法不仅能有效避免单一技术方法的局限性，而且能更深层次地对Shibor值的预测进行探索。
零售储蓄存款交叉销售
除对公存款外，零售客户储蓄存款由于分散程度高、抗周期性强，往往承担着银行负债“稳定器”的作用。从资产组合的角度出发，将零售客户的储蓄存款作为交叉销售的重要产品进行配置，不仅可增强客户资产组合稳定性，对银行负债质量的提升也具有重要作用。
基于国内某商业银行高净值客户产品持有情况，我们用“存款”“理财”和“其他”三个维度进行刻画。从负债管理视角，鉴于储蓄存款较理财产品而言具有资金成本低、有助于提高银行存贷比等特点，故通过运用无监督学习分配规律挖掘技术，旨在实现客户不流失降级、客户金融资产总额不下降的前提下，找到最有潜力提升自身储蓄存款占比的客户群体，并有针对性地开展交叉销售。基于挖掘生成的相似潜质客户识别规律，选择客群中储蓄存款占比较低的客户作为交叉销售对象，进行名单制营销。实证分析结果显示，试应用该算法识别并锁定相关客群，其中有75%的客户继续保持“高净值”客户身份，相关客群业务稳定，流失率低;同时，在该算法识别出的潜在客户中有高达62.5%的客户实现了不同程度的储蓄存款新增，累计实现储蓄存款提升约1000万元人民币。
结语
综上，在智慧银行视角下，我们运用多种机器学习与数据挖掘技术，从对公存款业务流失预测、对公存款业务批量获客、对公负债定价研究以及零售储蓄存款交叉销售等多个负债业务场景出发，对商业银行智能化负债管理提出可行性方案，以期为商业银行在提升负债规模和降低负债成本等智能化负债质量管理方面提供有益借鉴。
（龙盈智达〔北京〕科技有限公司刘金凤、周博韬对本文亦有贡献）
（作者单位：龙盈智达〔北京〕科技有限公司，华夏银行）
商业银行负债管理发展概述
银行负债管理理论主要经历了“存款负债论”“购买负债论”“销售负债论”等发展阶段。我国银行业早期主要遵循“存款负债论”开展业务，该理论重点关注存款状况并由此来指导贷款业务，其优点在于尽可能地保障了银行的安全性与流动性，但却牺牲了银行的盈利性。而后，银行负债管理逐步转向“购买负债论”，该理论指出银行为确保其流动性必要时可进行主动负债，但伴随负债扩张而产生的风险也相应增大。同时，随着同业资金监管的逐步增强，该理论的发展面临着进一步的挑战。“销售负债论”则认为负债管理的任务是以客户为中心，以客户需求为导向，设计出满足客户需求的产品并销售给客户，提升负债产品销售主动性，从而提升客户服务能力。
近年来，各类新兴金融业态快速发展，银行负债成本逐步抬高，负债业务的复杂程度和管理难度日益增高。事实上，监管机构一直以来高度关注银行负债管理质量。2020年1月，银保监会提出要尽早推进制定负债质量监管办法的进程，从而进一步提高商业银行负债的匹配性以及稳定性;2020年3月，央行发文强化存款利率管理，督促整改不规范存款“创新”产品，推动银行负债成本的下降;随后，监管部门加强结构性存款和互联网存款督促整改，加大异地存款、违规吸储的管理力度;2021年1月，《商业银行负债质量管理办法（征求意见稿）》向社会征求意见;2021年3月，《商业银行负债质量管理办法》出台并施行，它是我国第一份针对商业银行负债进行规范的系统性政策文件，从负债质量管理体系、负债质量管理要素、负债质量管理监督等方面对商业银行系统化地管理负债质量提出了明确的要求。
机器学习与数据挖掘相关技术在银行负债管理方面的应用探讨
有监督学习分类技术。构建有监督学习分类模型的目的是要对未来一个未知类别标签的数据样本进行类别标签预测，来识别该样本的类别归属;在此之前，对现存若干已知类别标签的数据样本进行学习是必不可少的，而在这个学习过程中通常会为每个类别标签都收集一定数量的数据样本;分类器就是在用来学习的数据中萃取出X标签特征字段对Y标签（类别标签）的映射函数、机制或规则集。在商业银行负债业务场景下，有监督学习分类技术可用于对存款业务的未来流失情况进行预测。
有监督学习趋势预测技术。有监督学习趋势预测技术用以構建连续值函数模型，其任务就是输入目标字段Y以往的数值和相关X标签特征字段信息，实现对目标字段Y未来数值的估算。在商业银行负债业务场景下，有监督学习趋势预测技术可用于对主动负债业务成本进行有效地定价分析。
无监督学习聚类技术。无监督学习聚类技术源于“物以类聚”的思想，根据数据特征属性来对数据样本进行分群。当数据样本不带有类别标签时，可以使用聚类技术促使可能带有潜在相同类别标签的数据样本聚为一群，所以说聚类可以被看作是一种无监督的分类。在聚类分析中，类别中样本的相似性越大、类别间样本的差异性越大，聚类的效果就越好。对样本相似性和差异性的度量，通常使用欧几里得距离方法。在商业银行负债业务场景下，无监督学习聚类技术可用于对银行负债业务流失情况进行定义。
无监督学习关联规则挖掘及分配规律挖掘技术。为研究超级市场商品项目之间诸如“购买啤酒会导致尿片被购买”这类产品交叉销售问题，无监督学习关联规则挖掘问题于1993年被提出。在关联规则挖掘的诸多算法改进中，一个重要的方向是数量关联规则挖掘;在市场应用中，数量关联规则可以简单表示为<面包[9， 14]>→<火腿[12， 20]>，该表达式可解释为“当人们购买9～14个面包时，他们倾向于同时购买12～20个火腿”。更进一步，分配规律挖掘技术可以从数据中发现<面包[0.25]+火腿[0.35]>→<牛奶[0.40]>这样的表达式，其可解释为“当人们把25%和35%的资金分配到面包和火腿的购买中时，他们倾向于同时将40%的资金分配到牛奶的购买中”。分配规律挖掘技术不仅可以表明各项目之间重要性的相关程度，而且实现了总体之间的“分配”规则，即描述了总体是如何被分配在各项目之间的。在市场应用中，分配规律挖掘可以用来表示顾客对于多种商品的资金分配习惯;而将牛奶、面包、火腿等商品替换为储蓄存款、理财、基金、贷款、中间服务等金融产品，分配规律挖掘技术则可用于探索“销售负债论”中的银行资产类、中间服务类等产品与负债产品的交叉销售策略。
图数据挖掘与社交网络分析技术。图数据挖掘技术常被用于对社交网络的分析和探索中。图作为常见的数据结构之一，能够有效且可视化地描述事物间的复杂关系。随着图数据库技术的不断发展，图数据分类、聚类等数据挖掘技术也蓬勃发展。在商业银行负债业务场景下，大量客户之间的关系数据，尤其是客户之间的交易转账行为作为社交网络数据集，可用以构建客户交易网络，并通过运用图技术遍历交易链，识别供应链，刻画产业链;同时，图模型可用以量化分析企业客户在网络中的影响力，发现客户交易网络中的核心客户，并通过核心客户交易链、供应链、产业链向上下游拓展业务，在实现银行批量获客的同时，通过对链上客户提供支付结算等现金管理服务，打造低成本存款在银行体内循环的良性生态，以智能营销拉动负债业务增长。
智慧银行视角下的负债管理研究
对公存款业务流失预测
如何有效驱动大数据人工智能技术为商业银行负债管理赋能，已成为学界和业界各金融机构关注的焦点。负债产品的日益丰富源于业务端在对监管要求的充分理解和熟悉掌握后进行的不断创新，而大数据人工智能技术对于拓展负债渠道和来源存在巨大潜力。随着金融脱媒加剧，不少银行对公存款业务流失情况日趋严重。基于国内某商业银行对公存款客户真实数据，我们探索与商业银行实践紧密结合的对公存款业务规律，从而实现对对公存款流失的预测。 我们首先采用无监督学习聚类技术对存款业务流失进行定义，明确对公一般性存款季日均比上季度下降超过55%为流失;而后采用有监督学习分类技术，在综合考量客户基本特征、业务特征和交易特征等信息的基础上，构建对公存款业务流失预测模型。从模型效果来看，通过运用混淆矩阵对模型进行评估，结果表明该模型能够预测出近50%未来存款下降的客户（即模型在测试集上的Recall指标接近0.5），并且具有超过70%的预测精准性（即模型在测试集上的Precision指标> 0.7）。从实现经济效益来看，我们对挽留客户所带来的存款日均金额进行测算，通过历史数据得到该银行各季度客户流失率平均值和最低值，并严格地选取最低值作为流失率基准;随后，我们统计了自模型应用以来各季度的客户流失率，并通过与基准流失率进行比较，计算出模型应用后每个季度少流失客户的比率、客户数及带来的存款日均金额。实证结果显示，试应用该模型1年左右的时间，能够挽回对公存款年日均约4亿元人民币。
通过对相关业务进一步分析发现，不同存款水平的客户，其存款下降原因及表现特征各不相同。在综合考量客户基本特征、业务特征和交易特征等信息的基础上，我们结合业务实际对不同存款规模的客群分别进行存款流失定义。例如：存款余额高于5000万元人民币的客户对公存款月日均环比下降超过100万元人民币;存款余额不高于5000万元人民币的客户对公存款月日均环比下降，即认为发生流失。通过运用有监督学习分类技术分析得出该银行对公存款流失主要与产品到期和客户交易行为有关，比如客户定期存款到期后无法衔接其他金融产品、客户表外业务到期导致资产类业务带来的存款沉淀流失等。新的存款业务流失预测模型可以将之前按季度进行预测升级为按月度进行预测。从模型效果来看，通过运用混淆矩阵对模型进行评估，结果表明新的模型能够预测出60%以上未来存款下降的客户（即模型在测试集上的Recall指标>0.6），并且具有超过70%的预测精准性（即模型在测试集上的Precision指标>0.7）。同时，该模型能够在客户存款下降前给出未来存款可能发生下降的客户名单，并给出客户存款下降的可能原因及辅助信息，以便于一线人员有效地挽留客户，降低存款流失率，提高存款稳定性，进而提升了负债质量管理水平。
对公存款业务批量获客
银行在对公业务发展过程中，除了做好负债业务流失预警的“节流”工作外，还应充分运用多种手段“开源”批量获客、拉动负债。传统银行“点对点”的获客方式成本高、效率低，基于机器学习和数据挖掘算法开拓高效的批量获客模式已成为业界的关注焦点。
基于大数据图挖掘技术，我们介绍一种银行对公存款批量获客的方法：通过以拓扑图来构建客户交易网络，描绘客户交易转账行为，并使用图模型来量化分析企业客户在网络中的影响力，进而锁定潜在客户實现批量获客。我们以国内某商业银行为例，基于其公司业务客户数据，运用图展现可视化技术，在年度时间窗口内，构建出以每名客户为中心的“有向图”以刻画与该名客户相关的周边客户关联信息。通过多级交易链信息展现，进一步识别客户间交易链关联关系，从而对图中与该银行客户形成上下游关系的对公企业数量、交易金额、交易对手分布等信息进行进一步探查。实证分析结果显示，基于大数据图挖掘的对公存款客户批量获客较传统新客户开发而言，成功获客实现3.65倍的提升，并可在一年半至两年的模型试应用观测期末贡献超过1000亿元人民币的新增对公存款时点余额。
对公负债定价研究
Shibor（上海银行间同业拆借利率）作为反映市场利率变动的重要指标，对于指导商业银行利率定价方面发挥着重要作用。另外，国库现金存款作为商业银行主动负债的一项重要来源，有研究表明其中标利率也与Shibor之间存在着稳定的均衡关系。
鉴于Shibor能够在一定程度上反映货币市场上货币的供求关系，因此通过有监督学习趋势预测技术对Shibor趋势进行预测，在一定程度上对于商业银行提高市场利率预判能力具有较高的指导和参考意义;商业银行可根据Shibor趋势，适时调整负债定价策略、负债期限结构，降低利率风险;也可根据Shibor趋势，调整主动负债吸收策略，降低银行付息成本。
对于Shibor的预测，早期主要运用的是传统的金融时间序列模型。随着大数据人工智能的发展，传统方法的局限性日益凸显。就目前学界的研究结果而言，无论是传统的时间序列模型，还是单一的机器学习方法，其对Shibor值预测的偏差均随着预测时间段的加长而增大。由于现实问题的复杂性，往往需要多次运用不同的数据挖掘技术。基于此，我们对于Shibor值的预测提出一种可能方案，即运用“回归树+时间序列”的方法来实现3个月（3M）Shibor值预测。该算法不仅能有效避免单一技术方法的局限性，而且能更深层次地对Shibor值的预测进行探索。
零售储蓄存款交叉销售
除对公存款外，零售客户储蓄存款由于分散程度高、抗周期性强，往往承担着银行负债“稳定器”的作用。从资产组合的角度出发，将零售客户的储蓄存款作为交叉销售的重要产品进行配置，不仅可增强客户资产组合稳定性，对银行负债质量的提升也具有重要作用。
基于国内某商业银行高净值客户产品持有情况，我们用“存款”“理财”和“其他”三个维度进行刻画。从负债管理视角，鉴于储蓄存款较理财产品而言具有资金成本低、有助于提高银行存贷比等特点，故通过运用无监督学习分配规律挖掘技术，旨在实现客户不流失降级、客户金融资产总额不下降的前提下，找到最有潜力提升自身储蓄存款占比的客户群体，并有针对性地开展交叉销售。基于挖掘生成的相似潜质客户识别规律，选择客群中储蓄存款占比较低的客户作为交叉销售对象，进行名单制营销。实证分析结果显示，试应用该算法识别并锁定相关客群，其中有75%的客户继续保持“高净值”客户身份，相关客群业务稳定，流失率低;同时，在该算法识别出的潜在客户中有高达62.5%的客户实现了不同程度的储蓄存款新增，累计实现储蓄存款提升约1000万元人民币。
结语
综上，在智慧银行视角下，我们运用多种机器学习与数据挖掘技术，从对公存款业务流失预测、对公存款业务批量获客、对公负债定价研究以及零售储蓄存款交叉销售等多个负债业务场景出发，对商业银行智能化负债管理提出可行性方案，以期为商业银行在提升负债规模和降低负债成本等智能化负债质量管理方面提供有益借鉴。
（龙盈智达〔北京〕科技有限公司刘金凤、周博韬对本文亦有贡献）
（作者单位：龙盈智达〔北京〕科技有限公司，华夏银行）