基于机器学习的银行理财产品精准营销的分析与预测

发布时间：2023-04-19 18:18

　　随着互联网科技的快速发展和进步,5G时代的来临,我国的每个居民的平均可支配收入大幅度增加,互联网的发展迅速和商业银行发展迈入信息化阶段都将银行业代入了全新的营商环境之中。通过商业银行为消费者提供越来越丰富多样的产品的同时也积累了大量的数据。从海量数据中获得到有价值的信息,在结合使用大数据技术来为银行决策提供服务,开始逐步获得实践和尝试。由于日益加剧的金融市场竞争和快速兴起的网络金融的冲击,银行更加重视针对理财产品的营销,希望以此获得更多利润。传统意义上的上门营销和电话营销已经逐渐被社会淘汰,使用精准营销可以提高营销的精确度,并且使人力物力的成本大大减少,大大降低银行的营销成本,大数据可以为商业银行带来明显的竞争优势。在这种情况下,之前的传统营销方案因为存在单向化,大众化,并且应变能力不及时没有针对性等缺点,不能实现理想中效果。在大数据的发展背景下,商业银行通过使用之前收集到的各类数据建立客户的资料库,然后使用机器学习技术来实现精准营销。机器学习有多学科领域知识交叉而成,既包含着统计学理论知识,概率论知识和各种复杂的算法知识,通过利用计算机来模拟人类的学习方式,划分现有的知识内容结构来使...

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景
    1.2 研究意义
    1.3 国内外研究现状
        1.3.1 国内研究现状
        1.3.2 国外研究现状
        1.3.3 文献述评
    1.4 研究内容
        1.4.1 数据说明
        1.4.2 论文组织结构
    1.5 创新点
第二章 基本理论方法介绍
    2.1 逻辑回归算法
    2.2 决策树算法
    2.3 随机森林算法
    2.4 GBDT算法
    2.5 XGBOOST算法
    2.6 LIGHT GBM算法
第三章 数据处理分析
    3.1 数据来源及介绍
    3.2 描述性分析
        3.2.1 数值型变量描述性分析
        3.2.2 分类型变量描述性分析
    3.3 数据预处理
        3.3.1 异常值处理
        3.3.2 缺失值处理
        3.3.3 数值型特征处理
        3.3.4 分类型特征处理
        3.3.5 数据无量纲化处理
        3.3.6 不平衡数据处理
    3.4 特征筛选
第四章 模型实现与评估
    4.1 模型评估指标
    4.2 机器学习模型建立
        4.2.1 逻辑回归
        4.2.2 随机森林
        4.2.3 XGBoost模型
        4.2.4 LightGBM模型
    4.3 模型评估总结
    4.4 特征影响分析
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
后记



本文编号：3793964