利用ARIMA模型预测资金流入流出


一、

数据说明

  • 针对全国的余额宝用户,按照一定的规则抽样,给出对应的性别、城市和星座
  • 针对抽样用户,抽取他们的余额宝交易数据,并归类为申购和赎回两类
  • 训练数据:20130701到20140731期间用户的所有申购赎回数据
  • 预测数据:20140801到20140831之间,31天内所有用户每天的申购和赎回总量

用户申购赎回数据表
user_balance_table
核心财务表,包含了申购数据和赎回数据
申购:支付宝余额,银行卡,收益自动申购
赎回:消费,转出到支付宝,转出到银行卡

列名及含义

user_id                 用户 id           
report_date             日期  
tBalance    bigint      今日余额    
yBalance    bigint      昨日余额    
total_purchase_amt      今日总购买量 = 直接购买 + 收益  
direct_purchase_amt     今日直接购买量 
purchase_bal_amt        今日支付宝余额购买量  
purchase_bank_amt       今日银行卡购买量    
total_redeem_amt        今日总赎回量 = 消费 + 转出    
consume_amt             今日消费总量  
transfer_amt            今日转出总量  
tftobal_amt             今日转出到支付宝余额总量    
tftocard_amt            今日转出到银行卡总量  
share_amt               今日收益    
category1               今日类目 1 消费总额 
category2               今日类目 2 消费总额 
category3               今日类目 3 消费总额 
category4               今日类目 4 消费总额 

评估指标

评估指标的设计主要期望能够对未来30天内每天申购和赎回的总量数据预测的越准越好,每天的误差选用相对误差来计算,然后根据用户预测申购和赎回的相对误差,得到一个每天预测结果的得分,将30天内的得分汇总,然后结合实际业务的倾向,对申购赎回总量预测的得分情况进行家全球和,得到最终评分。具体操作如下:


二、数据预处理

python代码(使用了pandas科学计算包)

# -*- coding: UTF-8 -*-
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from pandas import Series,DataFrame

user_balance = pd.read_csv('./data2/user_balance_table.csv',usecols=[0,1,4,8],names=['userid','date','purchase','redeem'],parse_dates = ['date'])
#读取源数据,取第一列,第二列,第五列,第九列。对data列做parse操作
timeGroup = user_balance.groupby(['date'])
#按date进行分组
purchaseRedeemTotal = timeGroup['purchase', 'redeem'].sum()
#求出总申购量、总赎回量
print purchaseRedeemTotal
purchaseRedeemTotal.to_csv('./data2/total_date_purchase_redeem.csv')
#导出到本地文件
purchaseRedeemTotal.plot()
plt.show()
#数据呈现

三、关于ARIMA

  • 模型介绍
    ARIMA并不是一个特定的模型,而是一类模型的总称。它的3个参数p,d,q分别表示自相关(p阶AR模型),d次差分,滑动平均(q阶MA模型)。因此有:
    p=d=0,ARIMA模型即MA(q)模型;
    d=q=0,ARIMA模型即AR(p)模型。

关于d的确定
对于原始数据做差分运算
0次差分评分,d=0
1次差分后平稳,d=1
...

关于pq的确定
p的值就是ACF第一次穿过上置信区间时的横轴值。q的值就是PACF第一次穿过上置信区间的横轴值。
通过ACF,PACF进行ARIMA(p,d,q)的p,q参数估计

实验python代码

# -*- coding: UTF-8 -*-
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
from statsmodels.tsa.stattools import acf,pacf
from statsmodels.tsa.arima_model import ARIMA
import statsmodels.api as sm


purchaseRedeemTotal = pd.read_csv('./data2/total_date_purchase_redeem_after20140301.csv',names=['date','purchase','redeem'],parse_dates=['date'])
purchaseRedeemTotal.index = purchaseRedeemTotal['date'].tolist()
del purchaseRedeemTotal['date']

"""
1次差分 diff1
2次差分 diff2
两次差分均具备一定的周期性
故确定差分项d=0
"""

# purchase_log_diff1 = purchase.diff(1)
# purchase_log_diff2 = purchase.diff(2)
# purchase_log_diff1.plot(color='red')
# purchase_log_diff2.plot(color='blue')
# purchase.plot(color='yellow')

purchase = purchaseRedeemTotal['purchase']
redeem = purchaseRedeemTotal['redeem']

model = ARIMA(purchase.astype(float),order=(2,0,2))
results_ARIMA = model.fit(disp=-1)
predict_purchase = results_ARIMA.predict('2014-08-01','2014-08-31',dynamic=True)
print predict_purchase

# model2 = ARIMA(redeem.astype(float),order=(2,0,2))
# results_ARIMA2 = model2.fit(disp=-1)
# predict_redeem = results_ARIMA2.predict('2014-08-01','2014-08-31',dynamic=True)
# print predict_redeem
purchaseACF = pd.DataFrame(acf(purchase))
purchaseACF.plot(title = 'purchaseACF', kind ='line')
purchasePACF = pd.DataFrame(pacf(purchase))
purchasePACF.plot(title = 'purchasePACF', kind ='line')
plt.show()
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 212,686评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,668评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 158,160评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,736评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,847评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,043评论 1 291
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,129评论 3 410
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,872评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,318评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,645评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,777评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,470评论 4 333
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,126评论 3 317
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,861评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,095评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,589评论 2 362
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,687评论 2 351

推荐阅读更多精彩内容