基于聚类分析的A券商期权客户差异化服务研究
发布时间：2021-08-12 00:56
由于新增开户的下降和低佣金时代的到来,券商传统的经纪业务创收能力逐步降低,各家券商都开始进行从经纪业务向附加值更高的财富管理业务转型,逐步打造以客户为中心的业务链。随着转型的不断深入,A券商已经在股票交易客户和理财客户中基本实现差异化服务。但不管是A券商,还是之前的学者,都没有系统研究过期权客户分类和期权客户服务。继2015年上证50ETF期权推出后,2019年12月,沪深300股指期权和沪深300ETF期权上市。期权市场不断完善,投资者范围不断扩大。做好期权客户服务,有助于券商财富管理转型实现投资品种的全覆盖,有助于树立投资顾问专业的品牌形象,有助于券商打造特色,增强客户黏性,在衍生品与创新业务的蓝海市场中夺得一席之地。并且,平均资产270万的期权客户是券商绝对要服务好的高净值客群。A券商期权交易量位居市场第一,客户群体庞大,交易数据齐全,交易行为多样。本文以A券商上证50ETF期权客户为例,进行期权客户差异化服务研究。首先,文章中阐述了研究背景,经纪业务转型的大背景使得券商差异化服务愈发重要,同时,近年来期权市场快速发展,具有专业性和高净值性的期权客户得到了各家券商的关注,服务好期...
【文章来源】：南京大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
上证50ETF期权历年逐月成交量（张）
绪论5服务，尤其是期权客户分类服务提出建议，完成论文的写作。本文结构如下图所示：本文所采用的研究方法有案例分析、聚类分析。（1）案例分析。2019年7月至9月，在A券商衍生品经纪业务团队进行实习，获取了A券商2015年至2019年6月期权客户交易数据以及客户特征数据，共156,679条，包含期权客户各个维度的29个变量。根据券商实际业务需求，利用真实的客户数据，进行客户分类分析，并针对每一类客户提出差异化的、具体的服务方案，使得A券商能够更好地服务期权客户、提高客户黏性，也可以促使A券商经纪业务全业务链向财富管理转型、保持行业领先地位。（2）聚类分析。本文中，面对大量的期权客户数据，采用聚类算法对庞大客户群体进行分类。聚类分析优点在于原理相对简单，分类过程与结果的易于解释，且处理大数据能力优秀。在对客户进行聚类后，根据其呈现出的规律进行深入探讨和研究，针对每一类客户提出差异化的服务方案，客观指导A券商的相关业务决策。图1-2文章结构图
文献综述和理论基础13基于密度的聚类方法的优点是能够识出所有结构的簇，受孤立点影响校但若样本点数据在空间中较为分散，则聚类效果较差，同时，该算法较为复杂，参数确定需要使用者有丰富的经验和较高的技巧。④基于网格的聚类该方法将空间划分为一个个小的矩形格子，算法步骤都在空间中的网格中运作。常见的算法有STING、WaveCluster、CLIQUE等。该聚类方法的优点在于可以快速处理很大的数据集，操作简单，需要用户自己决定的参数少，几乎不受异常点的影响，但该算法聚类精度较低。⑤基于神经网络的聚类基于神经网络的聚类是指芬兰教授Kohonen提出的SOM自组织映射神经网络聚类，该算法可以对样本进行无监督学习的聚类。该算法本质上是一种只有输入-隐藏层的神经网络，采用竞争学习方式，每个输入样本在隐藏层中找到一个和它最匹配的“winningneuron”。学习过程中，对邻近区域的权值进行不断的更新。该类算法的优点在于不需要事先确定聚类数量，受到噪音的影响较小，可视化好。缺点在于要靠经验和技术决定一些参数值，参数值的设置会对结果产生比较大的影响。图2-1不同聚类算法的优缺点2.2.4神经网络神经网络是通过模仿动物神经网络生物和行为特性，来模拟人脑思维方式进行分布式并行信息处理。在算法过程中，通过不断调整大量内部节点间的互连互通关系以处理大量信息输入。一个神经网络由多层神经元结构组成，每一层神经元都拥有输入和输出，前一层神经元
【参考文献】：
期刊论文
[1]基于聚类分析的商业银行基金客户的分类研究[J]. 赵铭,李雪,李秀婷,吴迪. 管理评论. 2013(07)
[2]基于信息强度的RBF神经网络结构设计研究[J]. 韩红桂,乔俊飞,薄迎春. 自动化学报. 2012(07)
[3]基于聚类分析的客户细分研究[J]. 季越江,吕佳. 办公自动化. 2009(08)
[4]客户细分方法研究综述[J]. 刘英姿,吴昊. 管理工程学报. 2006(01)
[5]客户细分方法探析[J]. 胡少东. 工业技术经济. 2005(07)
[6]数据挖掘在证券公司CRM客户细分中的应用[J]. 谢寰红. 计算机工程. 2004(S1)
[7]数据挖掘综述[J]. 王光宏,蒋平. 同济大学学报(自然科学版). 2004(02)
博士论文
[1]基于数据挖掘的银行客户分析管理关键技术研究[D]. 赵基.浙江大学 2005
硕士论文
[1]基于数据挖掘的银行理财客户分类研究[D]. 杨苗.安徽大学 2019
[2]基于神经网络模型的证券公司客户分类管理研究[D]. 庄玲玲.厦门大学 2017
[3]基于聚类分析K-means算法的房地产客户细分研究[D]. 于阳.哈尔滨工业大学 2017
[4]客户交易信息在商业银行个人客户关系管理中的应用[D]. 王一专.对外经济贸易大学 2016
[5]K-Means算法在客户细分中的应用研究[D]. 邢留伟.西南财经大学 2007
本文编号：3337245
【文章来源】：南京大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
上证50ETF期权历年逐月成交量（张）
绪论5服务，尤其是期权客户分类服务提出建议，完成论文的写作。本文结构如下图所示：本文所采用的研究方法有案例分析、聚类分析。（1）案例分析。2019年7月至9月，在A券商衍生品经纪业务团队进行实习，获取了A券商2015年至2019年6月期权客户交易数据以及客户特征数据，共156,679条，包含期权客户各个维度的29个变量。根据券商实际业务需求，利用真实的客户数据，进行客户分类分析，并针对每一类客户提出差异化的、具体的服务方案，使得A券商能够更好地服务期权客户、提高客户黏性，也可以促使A券商经纪业务全业务链向财富管理转型、保持行业领先地位。（2）聚类分析。本文中，面对大量的期权客户数据，采用聚类算法对庞大客户群体进行分类。聚类分析优点在于原理相对简单，分类过程与结果的易于解释，且处理大数据能力优秀。在对客户进行聚类后，根据其呈现出的规律进行深入探讨和研究，针对每一类客户提出差异化的服务方案，客观指导A券商的相关业务决策。图1-2文章结构图
文献综述和理论基础13基于密度的聚类方法的优点是能够识出所有结构的簇，受孤立点影响校但若样本点数据在空间中较为分散，则聚类效果较差，同时，该算法较为复杂，参数确定需要使用者有丰富的经验和较高的技巧。④基于网格的聚类该方法将空间划分为一个个小的矩形格子，算法步骤都在空间中的网格中运作。常见的算法有STING、WaveCluster、CLIQUE等。该聚类方法的优点在于可以快速处理很大的数据集，操作简单，需要用户自己决定的参数少，几乎不受异常点的影响，但该算法聚类精度较低。⑤基于神经网络的聚类基于神经网络的聚类是指芬兰教授Kohonen提出的SOM自组织映射神经网络聚类，该算法可以对样本进行无监督学习的聚类。该算法本质上是一种只有输入-隐藏层的神经网络，采用竞争学习方式，每个输入样本在隐藏层中找到一个和它最匹配的“winningneuron”。学习过程中，对邻近区域的权值进行不断的更新。该类算法的优点在于不需要事先确定聚类数量，受到噪音的影响较小，可视化好。缺点在于要靠经验和技术决定一些参数值，参数值的设置会对结果产生比较大的影响。图2-1不同聚类算法的优缺点2.2.4神经网络神经网络是通过模仿动物神经网络生物和行为特性，来模拟人脑思维方式进行分布式并行信息处理。在算法过程中，通过不断调整大量内部节点间的互连互通关系以处理大量信息输入。一个神经网络由多层神经元结构组成，每一层神经元都拥有输入和输出，前一层神经元
【参考文献】：
期刊论文
[1]基于聚类分析的商业银行基金客户的分类研究[J]. 赵铭,李雪,李秀婷,吴迪. 管理评论. 2013(07)
[2]基于信息强度的RBF神经网络结构设计研究[J]. 韩红桂,乔俊飞,薄迎春. 自动化学报. 2012(07)
[3]基于聚类分析的客户细分研究[J]. 季越江,吕佳. 办公自动化. 2009(08)
[4]客户细分方法研究综述[J]. 刘英姿,吴昊. 管理工程学报. 2006(01)
[5]客户细分方法探析[J]. 胡少东. 工业技术经济. 2005(07)
[6]数据挖掘在证券公司CRM客户细分中的应用[J]. 谢寰红. 计算机工程. 2004(S1)
[7]数据挖掘综述[J]. 王光宏,蒋平. 同济大学学报(自然科学版). 2004(02)
博士论文
[1]基于数据挖掘的银行客户分析管理关键技术研究[D]. 赵基.浙江大学 2005
硕士论文
[1]基于数据挖掘的银行理财客户分类研究[D]. 杨苗.安徽大学 2019
[2]基于神经网络模型的证券公司客户分类管理研究[D]. 庄玲玲.厦门大学 2017
[3]基于聚类分析K-means算法的房地产客户细分研究[D]. 于阳.哈尔滨工业大学 2017
[4]客户交易信息在商业银行个人客户关系管理中的应用[D]. 王一专.对外经济贸易大学 2016
[5]K-Means算法在客户细分中的应用研究[D]. 邢留伟.西南财经大学 2007
本文编号：3337245
本文链接：https://www.wllwen.com/jingjilunwen/xmjj/3337245.html
