一种资金借贷匹配方法及装置与流程

本发明涉及资金借贷领域，尤其涉及一种资金借贷匹配方法及装置。

背景技术：

在科技自动化智能化的潮流推动下，精细化运营已经成为主流的运营方式。而对于资金端来说，资金定价，资金资产撮合非常需要精细化运营，通过人为的适度调整，来实现整个资金从募集到撮合的自动化。并且在经过p2p雷潮后，对于未来的资金资产的预测，把控资金压力显得更为重要。故超脑计划应运而生，超脑计划意在打造一个智能撮合引擎，自动化的完成从预测到最后撮合的全部环节。

技术实现要素：

本发明提供的一种资金借贷匹配方法，旨在解决现有技术中存在资金成本较高的不足之处。

为实现上述目的，本发明采用以下技术方案：

一种资金借贷匹配方法，步骤包括：

获取历史资金数据，利用arima模型预测未来资金数据；

获取募集资金数据并根据募集资金数据，利用xgboost模型预测利率数据；

获取并监测可用资金数据；

根据未来资金数据、预测的利率数据和可用资金数据匹配借贷关系。

选用arima模型预测未来资金数据，选用xgboost模型预测利率数据，通过运用模型进行预测，能够有效地减少误差，提升准确性。监测可用资金数据，可实现及时调整匹配策略与修正预测模型的目的，通过及时调整匹配策略，使较高利率的资产，匹配较低利率的资金，同时适当降低可用资金的碎片化，提高可用资金的利用率，通过及时修正预测模型，调整利率数据，减少募集成本，从而减少资金成本，解决了资金成本较高的问题。

作为优选，所述获取历史资金数据，利用arima模型预测未来资金数据的步骤包括：

获取历史每日续贷数据，利用arima模型输出未来总续贷金额数据；

获取历史每日新增金额数据，利用arima模型输出未来新增金额数据；

根据未来总续贷金额数据和未来新增金额数据生成未来资金数据。

作为优选，所述根据募集资金数据，利用xgboost模型预测利率数据的步骤包括：

获取历史各个期限各类商品的募集能力与募集需求数据，利用arima模型输出未来各个期限各类商品的募集能力与募集需求数据；

获取历史各个期限各类商品的储备资金数据，利用arima模型输出未来各个期限各类商品的储备资金数据；

根据未来各个期限各类商品的募集能力与募集需求数据和未来各个期限各类商品的储备资金数据生成募集资金数据；

根据生成的募集资金数据，利用xgboost模型预测利率数据。

一种资金借贷匹配装置，包括：

未来资金数据获取模块，用于获取历史资金数据，利用arima模型预测未来资金数据；

利率数据获取模块，用于根据募集资金数据，利用xgboost模型预测利率数据；

可用资金数据监测模块，用于监测可用资金数据；

借贷关系匹配模块，用于根据未来资金数据、预测的利率数据和可用资金数据匹配借贷关系。

作为优选，未来资金数据获取模块包括：

未来总续贷金额数据获取模块，用于获取历史每日续贷数据，利用arima模型输出未来总续贷金额数据；

未来新增金额数据获取模块，用于获取历史每日新增金额数据，利用arima模型输出未来新增金额数据；

未来资金数据生成模块，用于根据未来总续贷金额数据和未来新增金额数据生成未来资金数据。

作为优选，利率数据获取模块包括：

未来各个期限各类商品的募集能力与募集需求数据获取模块，用于获取历史各个期限各类商品的募集能力与募集需求数据，利用arima模型输出未来各个期限各类商品的募集能力与募集需求数据；

未来各个期限各类商品的储备资金数据获取模块，用于获取历史各个期限各类商品的储备资金数据，利用arima模型输出未来各个期限各类商品的储备资金数据；

募集资金数据生成模块，用于根据未来各个期限各类商品的募集能力与募集需求数据和未来各个期限各类商品的储备资金数据生成募集资金数据；

利率数据预测模块，用于根据生成的募集资金数据，利用xgboost模型预测利率数据。

一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如上述中任一项所述的一种资金借贷匹配方法。

一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述中任一项所述的一种资金借贷匹配方法。

本发明具有如下有益效果：

匹配成本降低：通过已有资金和已有资产的匹配，即较高利率的资产，匹配较低利率的资金，同时适当降低可用资金的碎片化，提高了可用资金的利用率；

募集成本降低：通过制定合理的募集计划与利率策略，使得综合募集成本降低。

附图说明

图1是本发明实施例实现一种资金借贷匹配方法第一流程图；

图2是本发明实施例实现一种资金借贷匹配方法第二流程图；

图3是本发明实施例实现一种资金借贷匹配方法第三流程图；

图4是本发明实施例实现一种资金借贷匹配装置示意图；

图5是本发明实施例实现一种资金借贷匹配装置的未来资金数据获取模块示意图；

图6是本发明实施例实现一种资金借贷匹配装置的利率数据获取模块示意图；

图7是本发明实施例实现一种资金借贷匹配方法的一种电子设备示意图。

具体实施方式

下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在介绍本发明技术方案之前，示例性的介绍一种本发明技术方案可能适用的场景。

示例性的：匹配借贷关系包括从募集到撮合，涉及到募集资金数据，未来资金数据，未来利率数据，可用资金数据，在整个过程中，要对未来资金数据和未来利率数据进行预测，预测未来资金数据时需要获取历史资金数据，预测未来利率数据时需要获取募集资金数据，同时需要获取可用资金并进行监测，最后进行匹配。

在预测未来资金数据时，运用时间序列模型进行预测，可有效地减少误差，提高准确性，示例性的，可采用arima差分整合移动平均自回归模型，该模型将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归，arima模型中包含p、d、q，其中p为自回归项数，d为使之成为平稳序列所做的差分阶数，q为滑动平均项数，acf自相关系数能决定q的取值，pacf偏自相关系数能够决定p的取值。

在预测利率数据时，示例性的，可采用xgboost回归模型，该模型是基于决策树分类回归树的非参数模型，用基于梯度下降的方式将多个弱学习器组合成强学习器，其中弱学习器包括决策树模型和分类回归树模型，通过损失函数和正则函数两大目标函数，其中损失函数用以训练模型，正则函数修正模型的复杂度，不断增加弱学习器，实现目标函数最小化。

实施例1

如图1所示，一种资金借贷匹配方法，步骤包括：

s100获取历史资金数据，利用arima模型预测未来资金数据；

s110获取募集资金数据并根据募集资金数据，利用xgboost模型预测利率数据；

s120获取并监测可用资金数据；

s130根据未来资金数据、预测的利率数据和可用资金数据匹配借贷关系。

上述步骤中，选用arima模型预测未来资金数据，选用xgboost模型预测利率数据，通过运用模型进行预测，能够有效地减少误差，提升准确性。监测可用资金数据，可实现及时调整匹配策略与修正预测模型的目的，通过及时调整匹配策略，使较高利率的资产，匹配较低利率的资金，同时适当降低可用资金的碎片化，提高可用资金的利用率，通过及时修正预测模型，调整利率数据，减少募集成本，从而减少资金成本，解决了资金成本较高的问题。

实施例2

如图2所示，一种资金借贷匹配方法，步骤包括：

s200获取历史每日续贷数据，利用arima模型输出未来总续贷金额数据；

s210获取历史每日新增金额数据，利用arima模型输出未来新增金额数据；

s220根据未来总续贷金额数据和未来新增金额数据生成未来资金数据；

s230获取募集资金数据并根据募集资金数据，利用xgboost模型预测利率数据；

s240获取并监测可用资金数据；

s250根据未来资金数据、预测的利率数据和可用资金数据匹配借贷关系。

上述步骤中，选用arima模型对未来资金数据进行预测，示例性的，续贷模型选用arima(6,1,3)，新增模型选用arima(3,1,2)，续贷模型结合当天是否工作日、当日p个月/q个月/z天应还金额占比、续贷率的1/2/3/4/5/6阶滞后以及随机误差项的1/2/3阶滞后的权重系数，在实际业务中进行续贷资产预测，所得逐日预测的误差低于5％；新增模型结合当天是否工作日、当日p个月/w个月/q个月/u个月/z天应还金额占比、新增金额的1/2/3阶滞后以及随机误差项的1/2阶滞后的权重系数，在实际业务中进行新增资产预测，所得逐日预测的误差低于8％。

由此可见，运用模型进行对未来资产的预测，可提高预测结果准确性，并且实现预测自动化。准确地预测未来资金数据，可使匹配借贷关系时，匹配结果利润最大化，减少资金成本，解决了资金成本较高的问题。

实施例3

如图3所示，一种资金借贷匹配方法，步骤包括：

s300获取历史资金数据，利用arima模型预测未来资金数据；

s310获取历史各个期限各类商品的募集能力与募集需求数据，利用arima模型输出未来各个期限各类商品的募集能力与募集需求数据；

s320获取历史各个期限各类商品的储备资金数据，利用arima模型输出未来各个期限各类商品的储备资金数据；

s330根据未来各个期限各类商品的募集能力与募集需求数据和未来各个期限各类商品的储备资金数据生成募集资金数据；

s340根据生成的募集资金数据，利用xgboost模型预测利率数据；

s350获取并监测可用资金数据；

s360根据未来资金数据、预测的利率数据和可用资金数据匹配借贷关系。

上述步骤中，选用arima模型预测未来各个期限各类商品的募集能力与募集需求数据和未来各个期限各类商品的储备资金数据，能够提高数据的准确性，由于募集资金数据由未来各个期限各类商品的募集能力与募集需求数据和未来各个期限各类商品的储备资金数据生成，间接地提高了募集资金数据的准确性，选用xgboost模型预测利率数据，提高了利率数据的准确性，从而降低募集成本，到达降低资金成本的目的，解决了资金成本较高的问题。

实施例4

如图4所示，一种资金借贷匹配装置，包括：

未来资金数据获取模块400，用于获取历史资金数据，利用arima模型预测未来资金数据；

利率数据获取模块410，用于根据募集资金数据，利用xgboost模型预测利率数据；

可用资金数据监测模块420，用于监测可用资金数据；

借贷关系匹配模块430，用于根据未来资金数据、预测的利率数据和可用资金数据匹配借贷关系。

示例性的，一种资金借贷匹配装置运行过程：由未来资金数据获取模块400获取历史资金数据，然后利用arima模型预测未来资金数据；由利率数据获取模块410根据募集资金数据，利用xgboost模型预测利率数据；可用资金数据监测模块420监测可用资金数据；借贷关系匹配模块430根据未来资金数据、预测的利率数据和可用资金数据匹配借贷关系。

实施例5

如图5所示，未来资金数据获取模块400包括：

未来总续贷金额数据获取模块500，用于获取历史每日续贷数据，利用arima模型输出未来总续贷金额数据；

未来新增金额数据获取模块510，用于获取历史每日新增金额数据，利用arima模型输出未来新增金额数据；

未来资金数据生成模块520，用于根据未来总续贷金额数据和未来新增金额数据生成未来资金数据。

示例性的，未来资金数据获取模块400运行过程：由未来总续贷金额数据获取模块500获取历史每日续贷数据，然后利用arima模型输出未来总续贷金额数据；由未来新增金额数据获取模块510获取历史每日新增金额数据，然后利用arima模型输出未来新增金额数据；由未来资金数据生成模块520，根据未来总续贷金额数据和未来新增金额数据生成未来资金数据。

实施例6

如图6所示，利率数据获取模块410包括：

未来各个期限各类商品的募集能力与募集需求数据获取模块600，用于获取历史各个期限各类商品的募集能力与募集需求数据，利用arima模型输出未来各个期限各类商品的募集能力与募集需求数据；

未来各个期限各类商品的储备资金数据获取模块610，用于获取历史各个期限各类商品的储备资金数据，利用arima模型输出未来各个期限各类商品的储备资金数据；

募集资金数据生成模块620，用于根据未来各个期限各类商品的募集能力与募集需求数据和未来各个期限各类商品的储备资金数据生成募集资金数据；

利率数据预测模块630，用于根据生成的募集资金数据，利用xgboost模型预测利率数据。

示例性的，利率数据获取模块410运行过程：由未来各个期限各类商品的募集能力与募集需求数据获取模块600获取历史各个期限各类商品的募集能力与募集需求数据，然后利用arima模型输出未来各个期限各类商品的募集能力与募集需求数据；由未来各个期限各类商品的储备资金数据获取模块610获取历史各个期限各类商品的储备资金数据，然后利用arima模型输出未来各个期限各类商品的储备资金数据；由募集资金数据生成模块620，根据未来各个期限各类商品的募集能力与募集需求数据和未来各个期限各类商品的储备资金数据生成募集资金数据；由利率数据预测模块630，根据生成的募集资金数据，然后利用xgboost模型预测利率数据。

实施例7

如图7所示，一种电子设备，包括存储器701和处理器702，所述存储器701用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器702执行以实现上述的一种资金借贷匹配方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述的一种资金借贷匹配方法。

示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器701中，并由处理器702执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机设备中的执行过程。

计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括，但不仅限于，存储器701、处理器702。本领域技术人员可以理解，本实施例仅仅是计算机设备的示例，并不构成对计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。

处理器702可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器702、数字信号处理器702(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-program703mablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器702可以是微处理器702或者该处理器702也可以是任何常规的处理器702等。

存储器701可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器701也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，存储器701还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器701用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器701还可以用于暂时地存储已经输出或者将要输出的数据。

以上所述仅为本发明的具体实施例，但本发明的技术特征并不局限于此，任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明的专利范围之中。