理財(cái)產(chǎn)品目標(biāo)客戶定位的組合預(yù)測研究——基于分類算法與logit模型的混合模型.pdf

1、分類算法的效果研究評價，一直以來都是一個熱門的研究內(nèi)容。在以往的研究中，我們發(fā)現(xiàn)大部分的內(nèi)容都是針對同一種分類方法的不同算法進(jìn)行研究，很少將數(shù)據(jù)挖掘分類方法與傳統(tǒng)的離散選擇模型結(jié)合起來用在同一問題的研究中。因此，在本文中，我們不僅選擇了數(shù)據(jù)挖掘算法，還選擇了離散選擇模型對客戶選擇理財(cái)產(chǎn)品進(jìn)行研究，并且，在使用數(shù)據(jù)挖掘算法時，選擇不同的數(shù)據(jù)挖掘分類算法進(jìn)行對比。
　　在具體的實(shí)現(xiàn)過程中，在針對客戶選擇理財(cái)產(chǎn)品這個問題上，我們利用已有

2、的研究結(jié)果，考慮到方法的適用性以及理論的成熟性，在數(shù)據(jù)挖掘算法中選擇了決策樹分類方法以及貝葉斯分類方法。在決策樹分類方法中選擇了決策樹C5.0算法;在貝葉斯分類方法中，選擇了樸素貝葉斯分類算法。在離散選擇計(jì)量模型中，考慮到我們的數(shù)據(jù)為二元選擇數(shù)據(jù)，因而選擇了傳統(tǒng)的標(biāo)準(zhǔn)二元logit模型。我們利用可得的銀行客戶理財(cái)產(chǎn)品的選擇數(shù)據(jù)，分別使用決策樹C5.0分類算法模型、樸素貝葉斯分類算法模型以及標(biāo)準(zhǔn)二元logit選擇模型對其進(jìn)行實(shí)證分析。基于

3、三種方法的實(shí)證結(jié)果，利用組合預(yù)測理論，得到局部最優(yōu)的組合預(yù)測模型，在優(yōu)劣性的比較中，我們主要指標(biāo)為模型的預(yù)測精度。
　　在單一模型的實(shí)證方面，我們利用UCI數(shù)據(jù)庫中的Bank數(shù)據(jù)集，隨機(jī)將數(shù)據(jù)集按照7∶3的比例分為訓(xùn)練集和測試集，為了剔除數(shù)據(jù)隨機(jī)性分配的影響，我們使用同一訓(xùn)練集建立模型，相同測試集測試結(jié)果后發(fā)現(xiàn)，決策樹C5.0分類算法、樸素貝葉斯算法以及二元logit模型在判別客戶理財(cái)產(chǎn)品上的精確度分別為88.43％、89.48％

4、以及87.51％。從模型分類結(jié)果上，我們可以看出這三個單一模型的精確度均在80％以上，精度較高，其中，樸素貝葉斯模型的模型結(jié)果最優(yōu)，精度高達(dá)89.48％。
　　隨后，我們介紹了最小二乘加權(quán)、算術(shù)平均加權(quán)、方差倒數(shù)加權(quán)、均方倒數(shù)加權(quán)以及簡單加權(quán)法這常用的五種用于模型組合的權(quán)重的計(jì)算方法。之后，以決策樹C5.0模型結(jié)果、樸素貝時斯模型結(jié)果以及二元logit模型的模型結(jié)果為基礎(chǔ)，分別選擇了最小二乘加權(quán)法、算術(shù)平均加權(quán)法、方差倒數(shù)加權(quán)法、

5、均方倒數(shù)法以及簡單加權(quán)法進(jìn)行權(quán)重的計(jì)算，得到了五個新的組合模型。
　　最后，在得到五個組合模型后，我們發(fā)現(xiàn)，在使用最小二乘加權(quán)法確定權(quán)重的模型中，二元logit模型的權(quán)重為負(fù)數(shù)，不符合我們的實(shí)際情況，因此，該最小二乘加權(quán)組合模型不予采用。簡單加權(quán)法的模型精度不如單一模型，結(jié)果舍去，方差倒數(shù)加權(quán)結(jié)果與均方倒數(shù)加權(quán)結(jié)果一致，在比較算術(shù)平均加權(quán)模型與方差倒數(shù)加權(quán)模型的精度后，我們發(fā)現(xiàn)，算術(shù)平均加權(quán)的誤判概率為10.09％，小于方差倒數(shù)加