经营指标的确定方法、装置、存储介质及电子设备与流程

1.本发明涉及金融科技领域，具体而言，涉及一种经营指标的确定方法、装置、存储介质及电子设备。


背景技术：

2.在推进普惠金融数字化运营项目建设背景下，金融机构(例如，银行)普惠金融产品的负责人员需要查询各个途径下的普惠小微贷款产品业务数据，并根据这些数据制定当前普惠金融小微贷款产品的经营指标。由于普惠产品种类较多，数据量较大，且数据之间波动较大，通过人工制定普惠金融贷款产品的经营指标，往往存在制定的经营指标过高或过低，制定的经营指标准确度比较低。
3.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本发明实施例提供了一种经营指标的确定方法、装置、存储介质及电子设备，以至少解决现有技术中通过人工制定普惠金融贷款产品的经营指标，存在制定的经营指标准确度比较低的技术问题。
5.根据本发明实施例的一个方面，提供了一种经营指标的确定方法，包括：获取至少一个金融产品的第一数据，其中，第一数据表征至少一个金融产品的历史业务交易情况；依据第一数据和目标预测模型，对至少一个金融产品在目标时间间隔内的业务交易数据进行预测，得到预测结果，其中，目标预测模型是通过样本数据对arima模型训练得到的；依据预测结果，确定每个金融产品的经营指标，其中，经营指标用于为目标对象提供数据参考。
6.进一步地，依据第一数据和目标预测模型，对至少一个金融产品在目标时间间隔内的业务交易数据进行预测，得到预测结果，包括：确定目标时间间隔；将第一数据输入目标预测模型，并通过目标预测模型预测至少一个金融产品在目标时间间隔内的业务交易数据，输出预测结果。
7.进一步地，通过以下步骤生成目标预测模型：获取样本数据，其中，样本数据是对多个金融产品的历史业务交易数据进行采样处理得到的时间序列数据，多个金融产品包括至少一个金融产品；对样本数据进行平稳性分析，得到分析结果，并在分析结果为样本数据不平稳的情况下，对样本数据进行逐级差分处理，得到平稳时间序列数据；依据平稳时间序列数据，确定arima模型的模型参数，并依据平稳时间序列数据和模型参数对arima模型进行训练，得到目标预测模型。
8.进一步地，模型参数包括第一参数、第二参数以及第三参数，其中，依据平稳时间序列数据，确定arima模型的模型参数，包括：依据对样本数据进行逐级差分处理，得到平稳时间序列数据时的差分次数，确定第一参数；依据平稳时间序列数据，生成第一数据图，并依据第一数据图，确定第二参数，其中，第一数据图用于描述平稳时间序列数据的自相关情况；依据平稳时间序列数据，生成第二数据图，并依据第二数据图，确定第三参数，其中，第
二数据图用于描述平稳时间序列数据的偏自相关情况。
9.进一步地，依据对样本数据进行逐级差分处理，得到平稳时间序列数据时的差分次数，确定第一参数，包括：当对样本数据进行逐级差分处理，得到平稳时间序列数据时，获取样本数据被差分的次数，得到差分次数；将差分次数的数值作为第一参数的数值。
10.进一步地，依据第一数据图，确定第二参数，包括：依据第一数据图，确定平稳时间序列数据拖尾时对应的第一阶数，并将第一阶数的数值作为第二参数的数值。
11.进一步地，依据第二数据图，确定第三参数，包括：依据第二数据图，确定平稳时间序列数据截尾时对应的第二阶数，并将第二阶数的数值作为第三参数的数值。
12.根据本发明实施例的另一方面，还提供了一种经营指标的确定装置，包括：获取模块，用于获取至少一个金融产品的第一数据，其中，第一数据表征至少一个金融产品的历史业务交易情况；处理模块，用于依据第一数据和目标预测模型，对至少一个金融产品在目标时间间隔内的业务交易数据进行预测，得到预测结果，其中，目标预测模型是通过样本数据对arima模型训练得到的；确定模块，用于依据预测结果，确定每个金融产品的经营指标，其中，经营指标用于为目标对象提供数据参考。
13.根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的经营指标的确定方法。
14.根据本发明实施例的另一方面，还提供了一种电子设备，该电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的经营指标的确定方法。
15.在本发明实施例中，采用依据arima模型的预测结果制定经营指标的方式，首先获取至少一个金融产品的第一数据，然后依据第一数据和目标预测模型，对至少一个金融产品在目标时间间隔内的业务交易数据进行预测，得到预测结果，然后依据预测结果，确定每个金融产品的经营指标，其中，第一数据表征至少一个金融产品的历史业务交易情况，目标预测模型是通过样本数据对arima模型训练得到的，经营指标用于为目标对象提供数据参考。
16.在上述过程中，通过获取至少一个金融产品的第一数据，为预测至少一个金融产品在目标时间间隔内的业务交易数据提供了数据基础；通过第一数据和目标预测模型，可以预测出至少一个金融产品在目标时间间隔内的业务交易数据，从而能够确定出每个金融产品的经营指标，实现了经营指标的准确确定，提高了制定经营指标的准确度，从而能够提高经营指标的指标完成率。
17.由此可见，通过本发明的技术方案，达到了为各个普惠金融贷款产品制定更合适的经营指标的目的，从而实现了提高制定经营指标的准确度的技术效果，进而解决了现有技术中通过人工制定普惠金融贷款产品的经营指标，存在制定的经营指标准确度比较低的技术问题。
附图说明
18.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发
明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
19.图1是根据本发明实施例的一种可选的经营指标的确定方法的流程图；
20.图2是根据本发明实施例的一种可选的预测业务交易数据的流程图；
21.图3是根据本发明实施例的一种可选的经营指标的确定装置的示意图；
22.图4是根据本发明实施例的一种可选的电子设备的示意图。
具体实施方式
23.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
24.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
25.需要说明的是，本发明所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。
26.实施例1
27.根据本发明实施例，提供了一种经营指标的确定方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
28.图1是根据本发明实施例的一种可选的经营指标的确定方法的流程图，如图1所示，该方法包括如下步骤：
29.步骤s101，获取至少一个金融产品的第一数据，其中，第一数据表征至少一个金融产品的历史业务交易情况。
30.在上述步骤中，可以通过应用系统、处理器、电子设备等装置获取至少一个金融产品的第一数据，可选地，通过经营指标的确定系统获取至少一个金融产品的第一数据，其中，金融产品可以是普惠金融产品中的多种类型的小微贷款产品，例如，信用贷款、抵押贷款等类型的产品，第一数据可以是贷款交易时间、贷款金额等历史业务交易数据，例如，获取至少一个金融产品近1个月的业务交易数据。
31.步骤s102，依据第一数据和目标预测模型，对至少一个金融产品在目标时间间隔
内的业务交易数据进行预测，得到预测结果，其中，目标预测模型是通过样本数据对arima模型训练得到的。
32.可选地，目标预测模型是训练好的arima模型，目标时间间隔可以是根据业务需求选取的想要预测的未来时间段，业务交易数据可以是贷款总金额，预测结果可以是每个小微贷款产品对应的贷款总金额。可选地，通过第一数据和目标预测模型，可以预测出每个小微贷款产品在未来一段时间内的贷款总金额。
33.步骤s103，依据预测结果，确定每个金融产品的经营指标，其中，经营指标用于为目标对象提供数据参考。
34.可选地，目标对象可以是银行普惠金融产品的管理人员，管理人员在制定经营指标时，可以参考目标预测模型输出的预测结果。可选地，将模型输出结果作为经营指标，例如，通过目标预测模型对贷款产品a在未来一段时间内的贷款总金额进行预测，得到的贷款总金额为x万元，则将x万元作为贷款产品a在该未来一段时间内的经营指标。
35.基于上述步骤s101至步骤s103所限定的方案，可以获知，在本发明实施例中，采用依据arima模型的预测结果制定经营指标的方式，首先获取至少一个金融产品的第一数据，然后依据第一数据和目标预测模型，对至少一个金融产品在目标时间间隔内的业务交易数据进行预测，得到预测结果，然后依据预测结果，确定每个金融产品的经营指标，其中，第一数据表征至少一个金融产品的历史业务交易情况，目标预测模型是通过样本数据对arima模型训练得到的，经营指标用于为目标对象提供数据参考。
36.容易注意到的是，在上述过程中，通过获取至少一个金融产品的第一数据，为预测至少一个金融产品在目标时间间隔内的业务交易数据提供了数据基础；通过第一数据和目标预测模型，可以预测出至少一个金融产品在目标时间间隔内的业务交易数据，从而能够确定出每个金融产品的经营指标，实现了经营指标的准确确定，提高了制定经营指标的准确度，从而能够提高经营指标的指标完成率。
37.由此可见，通过本发明的技术方案，达到了为各个普惠金融贷款产品制定更合适的经营指标的目的，从而实现了提高制定经营指标的准确度的技术效果，进而解决了现有技术中通过人工制定普惠金融贷款产品的经营指标，存在制定的经营指标准确度比较低的技术问题。
38.在一种可选的实施例中，依据第一数据和目标预测模型，对至少一个金融产品在目标时间间隔内的业务交易数据进行预测，得到预测结果，包括：确定目标时间间隔；将第一数据输入目标预测模型，并通过目标预测模型预测至少一个金融产品在目标时间间隔内的业务交易数据，输出预测结果。
39.可选地，在依据第一数据和目标预测模型，对至少一个金融产品在目标时间间隔内的业务交易数据进行预测，得到预测结果的过程中，首先确定目标时间间隔，即根据业务需求确定想要预测的未来时间段，然后将第一数据输入目标预测模型(即训练好的arima模型)，例如，将贷款产品b近1个月的业务交易数据和贷款产品c近1个月的业务交易数据输入训练好的arima模型，通过训练好的arima模型预测至少一个金融产品(例如，上述的贷款产品b和贷款产品c)在目标时间间隔(即想要预测的未来时间段)内的业务交易数据，输出预测结果，例如，输出贷款产品b在预测的未来时间段的贷款总金额和贷款产品c在预测的未来时间段的贷款总金额。
40.需要说明的是，通过目标预测模型预测至少一个金融产品在目标时间间隔内的业务交易数据，为后续确定经营指标提供了准确的数据基础，从而能够提高制定经营指标的准确度。
41.在一种可选的实施例中，通过以下步骤生成目标预测模型：获取样本数据，其中，样本数据是对多个金融产品的历史业务交易数据进行采样处理得到的时间序列数据，多个金融产品包括至少一个金融产品；对样本数据进行平稳性分析，得到分析结果，并在分析结果为样本数据不平稳的情况下，对样本数据进行逐级差分处理，得到平稳时间序列数据；依据平稳时间序列数据，确定arima模型的模型参数，并依据平稳时间序列数据和模型参数对arima模型进行训练，得到目标预测模型。
42.可选地，在生成目标预测模型的过程中，首先将普惠金融小微贷款产品的历史业务交易数据按照产品类型进行拆分，并对每个类型包含的每个产品单独进行采样，例如，抵押贷款类型的产品包括抵押房产的产品、抵押债券的产品等，选取近几年(例如，3年)的历史业务交易数据，以天或周为横轴，以业务金额(即贷款总金额)为纵轴，生成时间序列采样数据，得到样本数据。
43.可选地，对样本数据进行平稳性分析，得到分析结果可以是观察样本数据(即时间序列采样数据)的数据波动情况，如果样本数据平稳，则不进行处理；如果数据波动大(例如，波动值大于预设阈值)，表示样本数据不平稳，则对样本数据进行逐级差分处理，得到平稳时间序列数据。可选地，使用差分法将时间序列采样数据进行一阶差分，并根据数据波动情况判断是否进行二阶差分，直至n阶时将非平稳时间序列采样数据转化为平稳时间序列数据。
44.可选地，依据平稳时间序列数据，可以确定出arima模型的模型参数。由于使用的arima模型是自回归模型ar(p)、移动平均模型ma(q)以及差分模型i(d)三种模型的叠加，一般表达为arima(p，d，q)，因此需要依据平稳时间序列数据找到合适的参数，即确定出arima模型的模型参数p、d、q的数值，放入模型中训练后即可得到目标预测模型，其中，p为自回归项数，d为使数据成为平稳序列所做的差分次数(阶数)，q为移动平均项数。
45.可选地，依据平稳时间序列数据和模型参数对arima模型进行训练，可以得到目标预测模型。可选地，将平稳时间序列数据分为训练集和测试集，与确定出的参数值放入arima(p，d，q)进行训练，直到与测试集趋势基本吻合，得到训练好的arima模型。
46.需要说明的是，通过对多种贷款产品进行拆分预测，可以为每个贷款产品预测出更准确的贷款总金额，从而能够制定出更适合的经营指标，降低了历史数据量大且波动大时制定经营指标的难度，提高了制定经营指标的准确度。
47.在一种可选的实施例中，模型参数包括第一参数、第二参数以及第三参数，其中，依据平稳时间序列数据，确定arima模型的模型参数，包括：依据对样本数据进行逐级差分处理，得到平稳时间序列数据时的差分次数，确定第一参数；依据平稳时间序列数据，生成第一数据图，并依据第一数据图，确定第二参数，其中，第一数据图用于描述平稳时间序列数据的自相关情况；依据平稳时间序列数据，生成第二数据图，并依据第二数据图，确定第三参数，其中，第二数据图用于描述平稳时间序列数据的偏自相关情况。
48.可选地，第一参数为使数据成为平稳序列所做的差分次数(阶数)d，第二参数为自回归项数p，第三参数为移动平均项数q，第一数据图为自相关图，第二数据图为偏自相关
图。
49.可选地，依据对样本数据进行逐级差分处理，得到平稳时间序列数据时的差分次数，可以确定出第一参数。可选地，使用差分法将时间序列采样数据进行一阶差分，并根据数据波动情况判断是否进行二阶差分，直至n阶时将非平稳时间序列采样数据转化为平稳时间序列数据，确认第一参数d＝n。
50.可选地，依据平稳时间序列数据可以生成第一数据图，依据第一数据图可以确定出第二参数。可选地，根据平稳时间序列数据生成自相关图，如果从第m阶开始，自相关图中的趋势开始衰减，确认第二参数p＝m。
51.可选地，依据平稳时间序列数据可以生成第二数据图，依据第二数据图可以确定出第三参数。可选地，根据平稳时间序列数据生成偏自相关图，如果从第k阶开始，偏自相关图中的趋势截尾变为0，确认第三参数q＝k。
52.需要说明的是，在上述过程中，依据平稳时间序列数据实现了对arima模型的模型参数的准确确定，为后续进行模型训练提供了数据基础。
53.在一种可选的实施例中，依据对样本数据进行逐级差分处理，得到平稳时间序列数据时的差分次数，确定第一参数，包括：当对样本数据进行逐级差分处理，得到平稳时间序列数据时，获取样本数据被差分的次数，得到差分次数；将差分次数的数值作为第一参数的数值。
54.可选地，使用差分法将时间序列采样数据进行一阶差分，并根据数据波动情况判断是否进行二阶差分，即对样本数据进行逐级差分处理，直至n阶时将非平稳时间序列采样数据转化为平稳时间序列数据，得到差分次数n，确认第一参数d＝n，即将差分次数的数值作为第一参数的数值。
55.需要说明的是，在上述过程中，依据平稳时间序列数据实现了对arima模型的第一参数的准确确定，为后续进行模型训练提供了数据基础。
56.在一种可选的实施例中，依据第一数据图，确定第二参数，包括：依据第一数据图，确定平稳时间序列数据拖尾时对应的第一阶数，并将第一阶数的数值作为第二参数的数值。
57.可选地，根据平稳时间序列数据生成自相关图，如果从第m阶开始，自相关图中的趋势开始衰减，即可确定出平稳时间序列数据拖尾时对应的第一阶数m，确认第二参数p＝m，即将第一阶数的数值作为第二参数的数值。
58.需要说明的是，在上述过程中，依据由平稳时间序列数据生成的自相关图，实现了对arima模型的第二参数的准确确定，为后续进行模型训练提供了数据基础。
59.在一种可选的实施例中，依据第二数据图，确定第三参数，包括：依据第二数据图，确定平稳时间序列数据截尾时对应的第二阶数，并将第二阶数的数值作为第三参数的数值。
60.可选地，根据平稳时间序列数据生成偏自相关图，如果从第k阶开始，偏自相关图中的趋势截尾变为0，即可确定出平稳时间序列数据截尾时对应的第二阶数k，确认第三参数q＝k，即将第二阶数的数值作为第三参数的数值。
61.需要说明的是，在上述过程中，依据由平稳时间序列数据生成的偏自相关图，实现了对arima模型的第三参数的准确确定，为后续进行模型训练提供了数据基础。
62.图2是根据本发明实施例的一种可选的预测业务交易数据的流程图，如图2所示，主要包括如下步骤：
63.步骤1，将普惠产品业务数据按产品拆分，对每个产品单独采样，例如，选择近几年的数据，以天或周为横轴，以业务金额为纵轴，生成时间序列采样数据。
64.步骤2，观察数据，如果数据波动大，使用差分法将数据进行一阶差分，根据数据波动情况判断是否进行二阶差分，直至n阶时将非平稳时间序列转化为平稳时间序列，确认d＝n。
65.步骤3，根据平稳时间序列数据生成自相关图，如果从第m阶开始，自相关图中的趋势开始衰减，确认p＝m，即获取数据的自相关阶数。
66.步骤4，根据平稳时间序列数据生成偏自相关图，如果从第k阶开始，偏自相关图中的趋势截尾变为0，确认q＝k，即获取数据的偏自相关误差项阶数。
67.步骤5，将平稳时间序列数据分为训练集和测试集，与调试好的参数值放入arima(p，d，q)进行训练，直到看到与测试集趋势基本吻合，即训练数据集，得到训练好的arima模型。
68.步骤6，选择想要预测的时间段，可以通过训练好的arima模型进行业务金额预测，即预测贷款总金额，从而为每个贷款产品制定更合适的经营指标。
69.需要说明的是，在本实施例中，将历史业务数据按照产品类型进行拆分，并按照时间维度采样生成时间序列，通过差分法将非平稳时间序列转化为平稳时间序列，消除了预测过程中的随机波动，最后将数据放入arima模型进行训练，并通过训练好的arima模型预测贷款产品的未来贷款总金额，能够制定出更适合的经营指标，降低了历史数据量大且波动大时制定经营指标的难度，提高了制定经营指标的准确度，从而能够提高经营指标的指标完成率。
70.由此可见，通过本发明的技术方案，达到了为各个普惠金融贷款产品制定更合适的经营指标的目的，从而实现了提高制定经营指标的准确度的技术效果，进而解决了现有技术中通过人工制定普惠金融贷款产品的经营指标，存在制定的经营指标准确度比较低的技术问题。
71.实施例2
72.根据本发明实施例，提供了一种经营指标的确定装置的实施例，其中，图3是根据本发明实施例的一种可选的经营指标的确定装置的示意图，如图3所示，该装置包括：获取模块301，用于获取至少一个金融产品的第一数据，其中，第一数据表征至少一个金融产品的历史业务交易情况；处理模块302，用于依据第一数据和目标预测模型，对至少一个金融产品在目标时间间隔内的业务交易数据进行预测，得到预测结果，其中，目标预测模型是通过样本数据对arima模型训练得到的；确定模块303，用于依据预测结果，确定每个金融产品的经营指标，其中，经营指标用于为目标对象提供数据参考。
73.需要说明的是，上述的获取模块301、处理模块302以及确定模块303对应于上述实施例中的步骤s101至步骤s103，三个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
74.可选地，处理模块包括：第一确定模块，用于确定目标时间间隔；预测模块，用于将第一数据输入目标预测模型，并通过目标预测模型预测至少一个金融产品在目标时间间隔
内的业务交易数据，输出预测结果。
75.可选地，经营指标的确定装置还包括以下模块，用于通过以下步骤生成目标预测模型：第一获取模块，用于获取样本数据，其中，样本数据是对多个金融产品的历史业务交易数据进行采样处理得到的时间序列数据，多个金融产品包括至少一个金融产品；分析模块，用于对样本数据进行平稳性分析，得到分析结果，并在分析结果为样本数据不平稳的情况下，对样本数据进行逐级差分处理，得到平稳时间序列数据；第二确定模块，用于依据平稳时间序列数据，确定arima模型的模型参数，并依据平稳时间序列数据和模型参数对arima模型进行训练，得到目标预测模型。
76.可选地，模型参数包括第一参数、第二参数以及第三参数，第二确定模块包括：第三确定模块，用于依据对样本数据进行逐级差分处理，得到平稳时间序列数据时的差分次数，确定第一参数；第四确定模块，用于依据平稳时间序列数据，生成第一数据图，并依据第一数据图，确定第二参数，其中，第一数据图用于描述平稳时间序列数据的自相关情况；第五确定模块，用于依据平稳时间序列数据，生成第二数据图，并依据第二数据图，确定第三参数，其中，第二数据图用于描述平稳时间序列数据的偏自相关情况。
77.可选地，第三确定模块包括：第二获取模块，用于当对样本数据进行逐级差分处理，得到平稳时间序列数据时，获取样本数据被差分的次数，得到差分次数；第六确定模块，用于将差分次数的数值作为第一参数的数值。
78.可选地，第四确定模块包括：第七确定模块，用于依据第一数据图，确定平稳时间序列数据拖尾时对应的第一阶数，并将第一阶数的数值作为第二参数的数值。
79.可选地，第五确定模块包括：第八确定模块，用于依据第二数据图，确定平稳时间序列数据截尾时对应的第二阶数，并将第二阶数的数值作为第三参数的数值。
80.实施例3
81.根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的经营指标的确定方法。
82.实施例4
83.根据本发明实施例的另一方面，还提供了一种电子设备，其中，图4是根据本发明实施例的一种可选的电子设备的示意图，如图4所示，电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的经营指标的确定方法。处理器执行程序时实现以下步骤：获取至少一个金融产品的第一数据，其中，第一数据表征至少一个金融产品的历史业务交易情况；依据第一数据和目标预测模型，对至少一个金融产品在目标时间间隔内的业务交易数据进行预测，得到预测结果，其中，目标预测模型是通过样本数据对arima模型训练得到的；依据预测结果，确定每个金融产品的经营指标，其中，经营指标用于为目标对象提供数据参考。
84.可选地，处理器执行程序时还实现以下步骤：依据第一数据和目标预测模型，对至少一个金融产品在目标时间间隔内的业务交易数据进行预测，得到预测结果，包括：确定目标时间间隔；将第一数据输入目标预测模型，并通过目标预测模型预测至少一个金融产品在目标时间间隔内的业务交易数据，输出预测结果。
85.可选地，通过以下步骤生成目标预测模型：获取样本数据，其中，样本数据是对多个金融产品的历史业务交易数据进行采样处理得到的时间序列数据，多个金融产品包括至少一个金融产品；对样本数据进行平稳性分析，得到分析结果，并在分析结果为样本数据不平稳的情况下，对样本数据进行逐级差分处理，得到平稳时间序列数据；依据平稳时间序列数据，确定arima模型的模型参数，并依据平稳时间序列数据和模型参数对arima模型进行训练，得到目标预测模型。
86.可选地，模型参数包括第一参数、第二参数以及第三参数，其中，依据平稳时间序列数据，确定arima模型的模型参数，包括：依据对样本数据进行逐级差分处理，得到平稳时间序列数据时的差分次数，确定第一参数；依据平稳时间序列数据，生成第一数据图，并依据第一数据图，确定第二参数，其中，第一数据图用于描述平稳时间序列数据的自相关情况；依据平稳时间序列数据，生成第二数据图，并依据第二数据图，确定第三参数，其中，第二数据图用于描述平稳时间序列数据的偏自相关情况。
87.可选地，依据对样本数据进行逐级差分处理，得到平稳时间序列数据时的差分次数，确定第一参数，包括：当对样本数据进行逐级差分处理，得到平稳时间序列数据时，获取样本数据被差分的次数，得到差分次数；将差分次数的数值作为第一参数的数值。
88.可选地，依据第一数据图，确定第二参数，包括：依据第一数据图，确定平稳时间序列数据拖尾时对应的第一阶数，并将第一阶数的数值作为第二参数的数值。
89.可选地，依据第二数据图，确定第三参数，包括：依据第二数据图，确定平稳时间序列数据截尾时对应的第二阶数，并将第二阶数的数值作为第三参数的数值。
90.本文中的设备可以是服务器、pc、pad、手机等。
91.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
92.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
93.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
94.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
95.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
96.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机
设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
97.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种经营指标的确定方法，其特征在于，包括：获取至少一个金融产品的第一数据，其中，所述第一数据表征所述至少一个金融产品的历史业务交易情况；依据所述第一数据和目标预测模型，对所述至少一个金融产品在目标时间间隔内的业务交易数据进行预测，得到预测结果，其中，所述目标预测模型是通过样本数据对arima模型训练得到的；依据所述预测结果，确定每个金融产品的经营指标，其中，所述经营指标用于为目标对象提供数据参考。2.根据权利要求1所述的方法，其特征在于，依据所述第一数据和目标预测模型，对所述至少一个金融产品在目标时间间隔内的业务交易数据进行预测，得到预测结果，包括：确定所述目标时间间隔；将所述第一数据输入所述目标预测模型，并通过所述目标预测模型预测所述至少一个金融产品在所述目标时间间隔内的业务交易数据，输出所述预测结果。3.根据权利要求1所述的方法，其特征在于，通过以下步骤生成所述目标预测模型：获取所述样本数据，其中，所述样本数据是对多个金融产品的历史业务交易数据进行采样处理得到的时间序列数据，所述多个金融产品包括所述至少一个金融产品；对所述样本数据进行平稳性分析，得到分析结果，并在所述分析结果为所述样本数据不平稳的情况下，对所述样本数据进行逐级差分处理，得到平稳时间序列数据；依据所述平稳时间序列数据，确定所述arima模型的模型参数，并依据所述平稳时间序列数据和所述模型参数对所述arima模型进行训练，得到所述目标预测模型。4.根据权利要求3所述的方法，其特征在于，所述模型参数包括第一参数、第二参数以及第三参数，其中，依据所述平稳时间序列数据，确定所述arima模型的模型参数，包括：依据对所述样本数据进行逐级差分处理，得到所述平稳时间序列数据时的差分次数，确定所述第一参数；依据所述平稳时间序列数据，生成第一数据图，并依据所述第一数据图，确定所述第二参数，其中，所述第一数据图用于描述所述平稳时间序列数据的自相关情况；依据所述平稳时间序列数据，生成第二数据图，并依据所述第二数据图，确定所述第三参数，其中，所述第二数据图用于描述所述平稳时间序列数据的偏自相关情况。5.根据权利要求4所述的方法，其特征在于，依据对所述样本数据进行逐级差分处理，得到所述平稳时间序列数据时的差分次数，确定所述第一参数，包括：当对所述样本数据进行逐级差分处理，得到所述平稳时间序列数据时，获取所述样本数据被差分的次数，得到所述差分次数；将所述差分次数的数值作为所述第一参数的数值。6.根据权利要求4所述的方法，其特征在于，依据所述第一数据图，确定所述第二参数，包括：依据所述第一数据图，确定所述平稳时间序列数据拖尾时对应的第一阶数，并将所述第一阶数的数值作为所述第二参数的数值。7.根据权利要求4所述的方法，其特征在于，依据所述第二数据图，确定所述第三参数，包括：
依据所述第二数据图，确定所述平稳时间序列数据截尾时对应的第二阶数，并将所述第二阶数的数值作为所述第三参数的数值。8.一种经营指标的确定装置，其特征在于，包括：获取模块，用于获取至少一个金融产品的第一数据，其中，所述第一数据表征所述至少一个金融产品的历史业务交易情况；处理模块，用于依据所述第一数据和目标预测模型，对所述至少一个金融产品在目标时间间隔内的业务交易数据进行预测，得到预测结果，其中，所述目标预测模型是通过样本数据对arima模型训练得到的；确定模块，用于依据所述预测结果，确定每个金融产品的经营指标，其中，所述经营指标用于为目标对象提供数据参考。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的经营指标的确定方法。10.一种电子设备，其特征在于，所述电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现用于运行程序，其中，所述程序被设置为运行时执行所述权利要求1至7任一项中所述的经营指标的确定方法。

技术总结
本发明公开了一种经营指标的确定方法、装置、存储介质及电子设备，涉及金融科技领域。其中，该方法包括：获取至少一个金融产品的第一数据，其中，第一数据表征至少一个金融产品的历史业务交易情况；依据第一数据和目标预测模型，对至少一个金融产品在目标时间间隔内的业务交易数据进行预测，得到预测结果，其中，目标预测模型是通过样本数据对ARIMA模型训练得到的；依据预测结果，确定每个金融产品的经营指标，其中，经营指标用于为目标对象提供数据参考。本发明解决了现有技术中通过人工制定普惠金融贷款产品的经营指标，存在制定的经营指标准确度比较低的技术问题。准确度比较低的技术问题。准确度比较低的技术问题。


技术研发人员：陈敏 陈竹 赵菲菲 肖建勇
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.05.25
技术公布日：2023/8/23