零售活期存款总量预测模型.docxVIP

零售活期存款总量预测模型（总账层面数据）摘要：模型1模型2模型3模型4预测对象（因变量Y）每日余额的对数模型1.1针对除去外地分行（基本都是2010年之后新建）后的余额模型1.2针对总余额（不区分石家庄内外分行）月最高余额/对数月最低余额/对数方法多元线性回归多元线性回归多元线性回归时间序列分析ARIMA模型自变量年份、月份、日期等时间变量年份、月份、日期等时间变量；滞后宏观经济变量年份、月份、日期等时间变量建模样本2005.1.1-2010.8.31的日度数据2005.1-2010.8的月度数据验证样本2010.9.1-2011.2.28的日度数据2010.9-2011.2的月度数据相对优势简单，较为有效相对模型1，预测准确性提高对每个月只拟合最高和最低两个值，配到系统中比较方便不足样本点并不符合IID假设（今天的余额和昨天的余额显然并不能认为是独立的），采用一般线性回归可能存在问题。从残差上看，存在一定的自相关性，还有信息没有提取出来，但是回归模型本身基本已经无能无力（尝试对残差建立自回归模型，但是由于是对日余额进行预测，自回归模型一般向前的预测期数只有几到十几期，无法对未来一年365期进行预测）由于模型主要用于预测且需要预测至少未来6个月，因此如果模型的自变量中有宏观变量，那么在预测未来余额的时候就必须对宏观变量进行预测（除非宏观变量滞后足够长的期数），而对宏观变量的预测本身就是一件更加困难的工作。每个月的最高和最低余额出现的时间不同，只能依据比如最低余额一般出现在月末而在预测时将最低值都配置在月末；但是这样可能不准。（见第10页）由于观测值太少，小样本回归结果可能有问题；预测精度不如针对每日数据的大样本回归。每个月的最高和最低余额出现的时间不同，只能依据比如最低余额一般出现在月末而在预测时将最低值都配置在月末；但是这样可能不准。采用自回归和移动平均的方法，通常对最近几期预测效果较好，越往后预测效果越差。模型1：只用时间变量的回归模型模型1.1——总余额中剔除外地分行显著变量包括：年（year_new），月份：JAN-NOV，12月份作为参照；日：即这一天是某个月的第几天，如d8_11表示这一天是某个月的8到11号中的一天；共创建D1_3,D4_7,D8_11……等8个变量，其中D1_3作为参照；没有对每天创建一个变量是因为比如每月最高余额通常出现在16到19号之间，但具体哪一天不一定，如果对每天建立一个变量最终结果是每个变量都不显著，但对几天组成的时段创建变量就能抓住大体的趋势（当然这种combine的方式比较主观，可以继续尝试其他的方式）。Parameter EstimatesVariableDFParameterEstimateStandardErrort?ValuePr??|t|VarianceInflationIntercept121.764000.004045380.98.00010year_new10.138750.00065825210.78.00011.01770JAN1-0.109060.00459-23.75.00011.99316FEB1-0.109190.00470-23.22.00011.91878MAR1-0.132580.00478-27.72.00011.83554APR1-0.142910.00482-29.62.00011.81178MAY1-0.125220.00478-26.18.00011.83554JUN1-0.117580.00482-24.37.00011.81178JUL1-0.107680.00478-22.51.00011.83554AUG1-0.097840.00478-20.45.00011.83554SEP1-0.086300.00482-17.89.00011.81178OCT1-0.074290.00478-15.53.00011.83554NOV1-0.035990.00482-7.46.00011.81178d8_1110.009540.003352.840.00451.36468d12_1510.016720.003354.99.00011.36468d16_1910.020800.003356.21.00011.36468d20_2310.018060.003355.39.00011.36468d24_2710.012820.003353.820.00011.36468d28_3110.010430.003542.940.00331.32655模型整体拟合效果如下：Analysis of VarianceSourceDFSum?ofSquaresMeanSquareF ValuePr??FModel1882.470864.581712583.64.