金融機構(gòu)存款預(yù)測的組合預(yù)測模型研究

馮 宇，王 聰

（1.國家開發(fā)銀行股份有限公司 吉林省分行，長春130022；2.西安電子科技大學 機電工程學院，西安710071）

引言

金融機構(gòu)本外幣存款余額主要由企事業(yè)單位存款和城鄉(xiāng)居民儲蓄存款組成，它是地方乃至全國經(jīng)濟統(tǒng)計中非常重要的指標。對金融機構(gòu)本外幣存款余額做出科學合理的預(yù)測，可為相關(guān)決策部門研究居民的收入水平、資金流向、調(diào)整儲蓄利率、居民的消費習慣等影響存儲行為的因素提供依據(jù)，從而可更好地促進吉林省經(jīng)濟的快速發(fā)展。

關(guān)于預(yù)測的方法種類繁多，從經(jīng)典的單耗法[1]、統(tǒng)計分析法[2]，到目前的灰色預(yù)測法[3-6]、簡單移動平均法[6，7]、ARMA[4，8，9]，甚至剛剛興起的神經(jīng)網(wǎng)絡(luò)法[10-12]、優(yōu)選組合法[13]和小波分析法[14]，這些預(yù)測方法各有結(jié)構(gòu)特點、優(yōu)缺點和適用范圍，因此，在對某一個問題進行預(yù)測時，可使用不同的常見預(yù)測方法進行嘗試，選擇最佳的預(yù)測方法。

由于組合預(yù)測方法尤其適用于信息不完備的復(fù)雜經(jīng)濟系統(tǒng)[15]，因此本文選用灰色模型 GM（1，1）[3-6]、三次指數(shù)平滑模型[16]和BP神經(jīng)網(wǎng)絡(luò)模型[10-12]三種預(yù)測模型，應(yīng)用Shapley值權(quán)重分配法[17，18]確定各預(yù)測模型的權(quán)重，從而構(gòu)建組合預(yù)測模型[19-21]并對吉林省金融機構(gòu)本外幣存款余額進行組合預(yù)測。

一、單一模型的建立

（一）灰色模型GM（1，1）

灰色系統(tǒng)理論[3-6]是基于關(guān)聯(lián)空間、光滑離散函數(shù)等概念定義灰導數(shù)與灰微分方程，進而用離散數(shù)據(jù)列建立微分方程形式的動態(tài)模型，記為GM（Grey Model），即灰色模型是利用離散隨機數(shù)經(jīng)過生成變?yōu)殡S機性被顯著削弱且較有規(guī)律的生成數(shù)，建立起微分方程形式的模型，這樣便于對其變化過程進行研究和描述。

設(shè)x（0）為n個元素的數(shù)列x（0）=（x（0）（1），x（0）（2），…，x（0）（n）），x（0）的 AGO[3]生成數(shù)列為 x（1）=（x（1）（1），x（1）（2），…，x（1）（n）），其中，則定義x（1）的灰導數(shù)為：

令 z（1）為數(shù)列 x（1）的緊均值數(shù)列，即：

定義GM（1，1）的灰微分方程模型：

B為數(shù)據(jù)矩陣，u參數(shù)向量，則GM（1，1）模型可表示為矩陣方程Y=Bu。有最小二乘法可求得：

（二）三次指數(shù)平滑模型

指數(shù)平滑法[16]是對預(yù)測對象的全部歷史序列數(shù)據(jù)，通過加權(quán)平均從而進行預(yù)測的一種方法。三次指數(shù)平滑預(yù)測法的計算公式為

式中，yt+T——金融機構(gòu)本外幣存款余額，T、t——預(yù)測的時間周期數(shù)和預(yù)測起始年，at、bt、ct——三次指數(shù)平滑的平滑系數(shù)，計算公式見式（6—8）。

其中，0≤α≤1。經(jīng)過多次試驗后，選取α=0.3。指數(shù)平滑值計算公式為

式（9）中：yt——t起始年t的對應(yīng)原始數(shù)據(jù)。

（三）BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)[10-12]包括信號的前向傳播和誤差的反向傳播兩個方面，即計算實際輸出時按從輸入到輸出的方向進行，而權(quán)值和閾值的修正從輸出到輸入的方向進行。BP神經(jīng)網(wǎng)絡(luò)模型如圖1所示，BP神經(jīng)網(wǎng)絡(luò)算法設(shè)計流程如圖2所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)模型

圖2 原理流程

圖 1 中，xj為輸入層第 j個節(jié)點的輸入，j=1，…，M；wij為隱含層第i個節(jié)點到輸入層第j個節(jié)點之間的權(quán)值；θi為隱含層第i個節(jié)點的閾值；準（x）為隱含層的激勵函數(shù)；wki為輸出層第k個節(jié)點到隱含層第i個節(jié)點之間的權(quán)值，i=1，L，q；ak為輸出層第 k 個節(jié)點的閾值 k=1，L，L；ψ（x）為輸出層的激勵函數(shù)；ok為輸出層第k個節(jié)點的輸出。

（四）單一模型優(yōu)缺點總結(jié)

灰色模型GM（1，1）經(jīng)過多次輸入數(shù)據(jù)檢驗，模型代碼本身是良好的，但由于金融機構(gòu)存款數(shù)據(jù)離散程度太大導致了模型結(jié)果的誤差較大，因此灰色模型GM（1，1）預(yù)測在輸入數(shù)據(jù)有一定增減趨勢時，預(yù)測效果才能較好；采用三次指數(shù)平滑模型處理數(shù)據(jù)時，可發(fā)現(xiàn)預(yù)測整體趨勢很準確，但個別數(shù)據(jù)的預(yù)測準確度不高，因此在預(yù)測數(shù)據(jù)發(fā)展趨勢時較適合采用此方法；BP神經(jīng)網(wǎng)絡(luò)預(yù)測通過模擬生物神經(jīng)元系統(tǒng)，經(jīng)過多次訓練最終得到較合適的結(jié)果，但訓練次數(shù)較多，不易操作，且存在較高的偶然性。在其他方面選用預(yù)測方法時可依據(jù)不同情況進行不同選擇，從而建立合理的數(shù)學模型。其實在一般情況下最合理的就是組合預(yù)測模型。組合預(yù)測模型集中了多個單一模型的優(yōu)點，有效減小了單一模型預(yù)測的較大誤差，適合大量不規(guī)則數(shù)據(jù)的預(yù)測處理，因此在隨機預(yù)測領(lǐng)域會有很大的用處。

二、組合預(yù)測模型

組合預(yù)測模型[19-21]匯聚了單個模型中的蘊含的有用信息，從而更易適應(yīng)未來變化，減少了預(yù)測的風險性，提高了預(yù)測精度。組合預(yù)測方法利用數(shù)學語言描述如下：假設(shè)有m種預(yù)測模型對同一預(yù)測對象進行預(yù)測，則由這m種單一預(yù)測模型構(gòu)成的組合預(yù)測模型為

式（12）中，y贊t為 t時刻組合預(yù)測模型的預(yù)測值；y贊it為 t時刻第 i個預(yù)測模型的預(yù)測值（i=1，2，…，m）；ki為第 i個預(yù)測模型的權(quán)系數(shù)

本文采用Shapley值法確定組合預(yù)測模型中的權(quán)系數(shù)。Shapley值法[17，18]是L.S.Shapley于1953年提出的用于解決多人合作對策問題的一種數(shù)學方法，Shapley值實現(xiàn)的是每個合作成員對該合作的平均貢獻?；赟hapley值的共同收益分攤方法最大的優(yōu)點就是在于其分攤原理和分攤結(jié)果易于被各個合作方視為公平，分攤結(jié)果易于被各個合作方所接受。

設(shè)有n種預(yù)測模型來進行組合預(yù)測，記為I={1，2，…，n}，對于I的任何子集s，t（表示n種模型中的任一組合），E（s），E（t）表示各自組合的誤差。定義如下：

（1）對于 I的任一子集 s，t，都有 E（s）+E（t）≥E（s∪t），E（s），E（t）為各自預(yù)測時產(chǎn)生的誤差；

（2）s哿I，yi表示第i種模型在合作最終分攤的誤差值，總有 yi≤E（i）；

（3）對于n種預(yù)測模型參與的組合預(yù)測產(chǎn)生的總誤差E（n），將在n種預(yù)測模型之間進行完全分配，即

設(shè)第i種預(yù)測模型誤差的絕對值的平均值為Ei，組合預(yù)測的總誤差值為E，則有

式（13）中，m為樣本的個數(shù)；|eij|為第i種模型第j個樣本的誤差絕對值。

Shapley值法的權(quán)重分配公式為

其中，ω（|s|）——第i種模型應(yīng)承擔的組合邊際貢獻，ω（|s|）=；（si）——組合中去除模型i；i——參與組合的某個預(yù)測模型；Ei——i預(yù)測模型分得的誤差量，即Shapley值；s——I中的任何子集；|s|——組合中的預(yù)測模型的個數(shù)。

由式（13）、（14）可得出組合預(yù)測中各預(yù)測方法的權(quán)重計算公式

式（16）中，n——預(yù)測模型個數(shù)。

三、實證研究

（一）數(shù)據(jù)來源

吉林省2006—2015年金融機構(gòu)本外幣存款余額如表1所示，其變化趨勢如圖3所示。

圖3 2006—2015年金融機構(gòu)本外幣存款余額

由表1和圖3可以看出，金融機構(gòu)本外幣存款余額總體呈上升趨勢。2006年末，吉林省金融機構(gòu)本外幣存款余額總量為4 964億元，至2015年末，已達到18 684億元，2006—2015年這十年間年均增長1 372億元。

（二）灰色模型 GM（1，1）的實證結(jié)果

依據(jù)式（1—4），結(jié)合表1中吉林省2006—2015年金融機構(gòu)本外幣存款余額數(shù)據(jù)，可建立灰色預(yù)測模型GM（1，1）。通過建立的模型預(yù)測2006—2015年的存款余額，從而驗證灰色模型GM（1，1）的預(yù)測精度。具體預(yù)測值和預(yù)測精度如表2所示。

由表2可得，灰色模型GM（1，1）預(yù)測的平均相對誤差值為0.045 7，即4.57%。由此可知，灰色模型GM（1，1）具有很好的擬合精度，可用于吉林省金融機構(gòu)本外幣存款余額的預(yù)測。

（三）三次指數(shù)平滑模型的實證結(jié)果

本文取初始平滑值根據(jù)表1中2006—2015年吉林省金融機構(gòu)本外幣存款余額的歷史數(shù)據(jù)，利用式（5～11）進行計算，其預(yù)測結(jié)果如表3所示。

由表3可得，三次指數(shù)平滑模型預(yù)測的平均相對誤差值為8.93%。由此可知，三次指數(shù)平滑模型的擬合精度不如灰色模型GM（1，1），但總體上依然可用于吉林省金融機構(gòu)本外幣存款余額的預(yù)測。

令t=2015，則吉林省金融機構(gòu)本外幣存款余額的三次指數(shù)平滑預(yù)測公式為

根據(jù)式（17），可對2015年以后的存款余額進行預(yù)測。

（四）BP神經(jīng)網(wǎng)絡(luò)模型的實證結(jié)果

依據(jù)表1中2006—2015年吉林省金融機構(gòu)本外幣存款余額的歷史數(shù)據(jù)，利用matlab工具箱計算，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果如表4所示。

由表4可得，BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的平均相對誤差值為3.06%。由此可知，BP神經(jīng)網(wǎng)絡(luò)模型具有較好的擬合精度，優(yōu)于前兩種預(yù)測模型，可用于吉林省金融機構(gòu)本外幣存款余額的預(yù)測，但是由于需要多次迭代過程，所以計算效率并不高。

（五）組合預(yù)測模型的實證結(jié)果

按表2、表3、表4的計算結(jié)果，可求得組合預(yù)測的總誤差為

依據(jù)Shapley值的概念，參與組合預(yù)測模型總誤差分配的模型為：I{1，2，3}，它所有子集的組合誤差分別為：E{1}、E{2}、E{3}、E{1，2}、E{1，3}、E{2，3}、E{1，2，3}，其數(shù)值的大小為該子集所包括的向量的誤差平均值，計算結(jié)果如表5所示。

表1 吉林省2006—2015年金融機構(gòu)本外幣存款余額

按照Shapley值計算公式可以計算出組合中對應(yīng)模型的Shapley值為

三個模型分擔結(jié)果之和為：E1+E2+E3=0.0552。根據(jù)上面的計算結(jié)果來計算組合加權(quán)系數(shù)，根據(jù)權(quán)重公式（17），可計算出各個預(yù)測方法的權(quán)重為：

表2 2006—2015年灰色模型GM（1，1）的預(yù)測值和預(yù)測精度值

表3 2006—2015年三次指數(shù)平滑模型的預(yù)測值和預(yù)測精度值

表4 2006—2015年BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值和預(yù)測精度值

表5 預(yù)測誤差分攤計算結(jié)果

根據(jù)所得的權(quán)重及公式（13），可得組合預(yù)測模型為：

式（18）中——組合預(yù)測值——灰色模型預(yù)測值；——三次指數(shù)平滑模型預(yù)測值——BP神經(jīng)網(wǎng)絡(luò)預(yù)測值。

利用此組合預(yù)測模型對2007-2015年吉林省金融機構(gòu)本外幣存款余額進行預(yù)測，其組合預(yù)測模型的預(yù)測值與誤差如表6所示。

由表6中數(shù)據(jù)可知，組合預(yù)測模型平均絕對相對誤差為1.74%，模型的預(yù)測精度很高，并且預(yù)測精度高于選定的單一預(yù)測模型的預(yù)測精度。

表6 2006—2015年組合預(yù)測模型的預(yù)測值和預(yù)測精度值

利用該組合預(yù)測模型對吉林省2016—2020年金融機構(gòu)本外幣存款余額進行預(yù)測，其結(jié)果如表7所示。

表7 2016—2020年吉林省金融機構(gòu)本外幣存款余額預(yù)測值

從表7中可以看出，2016年吉林省金融機構(gòu)本外幣存款余額為20 933億元，到2020年達30 708億元。2016—2020年存款余額年均增長率為10.45%。

結(jié)語

采用灰色模型 GM（1，1）、三次指數(shù)平滑三種預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)模型，對吉林省金融機構(gòu)本外幣存款余額進行預(yù)測，又利用Shapley值權(quán)重分配法來合理確定單一預(yù)測方法的權(quán)重，從而建立出組合預(yù)測模型進行預(yù)測，結(jié)果表明，構(gòu)建的組合預(yù)測模型預(yù)測精度高于選定的任一預(yù)測模型。因此，本文的研究為吉林省金融機構(gòu)本外幣存款余額預(yù)測提供了一種實用的新方法和范式。

參考文獻：

[1]王麗婕，廖曉鐘，高陽，等.風電場發(fā)電功率的建模和預(yù)測研究綜述[J].電力系統(tǒng)保護與控制，2009，37（13）：118-121.

[2]王健，嚴干貴，宋薇，等.風電功率預(yù)測技術(shù)綜述[J].東北電力大學學報，2011，31（3）：20-24.

[3]張大海，江世芳，史開泉.灰色預(yù)測公式的理論缺陷及改進[J].系統(tǒng)工程理論與實踐，2002，22（8）：140-142.

[4]王聰，楊建斌，鄧穎.數(shù)學建模方法在風電功率預(yù)測中的應(yīng)用[J].太陽能學報，2015，36（5）：1081-1087.

[5]劉思峰，楊英杰.灰色系統(tǒng)研究進展（2004—2014）[J].南京航空航天大學學報，2015，47（1）：1-18.

[6]王天真，湯天浩，張圣杰，等.基于灰色預(yù)測的粒子濾波算法[J].高技術(shù)通訊，2012，22（4）：423-428.

[7]左山，魯晶晶，田磊，等.簡單移動平均預(yù)測法在航材保障中的應(yīng)用[J].科技信息：學術(shù)版，2008，（30）：87-88.

[8]丁明，張立軍，吳義純.基于時間序列分析的風電場風速預(yù)測模型[J].電力自動化設(shè)備，2005，25（8）：32-34.

[9]Zhang Jianyong，Wang Cong.Application of ARMA model in ultra-short term prediction of wind power[C].2013 International Conference on Computer Sciences and Applications（CSA）.Wuhan，China，2013：361-364.

[10]彭懷午，劉方銳，楊曉峰，等.基于人工神經(jīng)網(wǎng)絡(luò)的風電場短期功率預(yù)測[J].太陽能學報，2011，32（8）：1245-1250.

[11]周揚，吳文祥，胡瑩，等.基于組合模型的能源需求預(yù)測[J].中國人口·資源與環(huán)境，2010，20（4）：63-68.

[12]王守相，張娜.基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的光伏短期出力預(yù)測[J].電力系統(tǒng)自動化，2012，36（19）：37-41.

[13]王翠茹，杜鵑.優(yōu)化組合預(yù)測的設(shè)計與分析[J].東北電力技術(shù)，2006，27（6）：5-7，23.

[14]李炎，高山.風電功率短期預(yù)測技術(shù)綜述[C]//中國高等學校電力系統(tǒng)及其自動化專業(yè)第二十四屆學術(shù)年會論文集.北京，2008：2540-2544.

[15]王金山，楊國超.一種基于時序可變加權(quán)系數(shù)的組合預(yù)測模型[J].重慶理工大學學報，2012，26（2）：118-121.

[16]楊文光，嚴哲，于健，等.基于混沌三次指數(shù)平滑模型的CPI預(yù)測研究[J].陜西科技大學學報：自然科學版，2015，（6）：179-182.

[17]李書金，酈曉寧.模糊聯(lián)盟的Shapley值與穩(wěn)定性[J].系統(tǒng)工程理論與實踐，2011，31（8）：1524-1531.

[18]李維乾，解建倉，李建勛，等.基于改進Shapley值解的流域生態(tài)補償額分攤方法[J].系統(tǒng)工程理論與實踐，2013，33（1）：255-261.

[19]曾慶聰，王金婷.組合模型在深圳港貨物吞吐量預(yù)測中的應(yīng)用[J].大連海事大學學報，2007，33（z1）：136-138.

[20]寧艷艷，鄭春華，方小艷，等.基于組合模型的能源需求預(yù)測[J].企業(yè)導報，2016，（8）：191，82.

[21]蘆森.基于組合模型的中國能源需求預(yù)測[D].成都：成都理工大學，2010.