本发明实施例涉及大数据技术领域，尤其涉及一种财富走势预测方法、装置、设备及存储介质。
背景技术：
随着社会和经济的快速发展，人们在不断积累财富的同时,消费支出也在不断的升级，人们在管理财富时，通常是根据已知经验和主观判断，财务风险是客观存在的。目前，对于财务风险的预测和防范，多是通过测评问卷或者用户的个人资料、财富现状进行估算，例如根据用户购买的保险金额、理财产品、月平均消费或年收入等进行估算，以提示用户将来可能存在的风险。但这种方式仅是基于财产现状对短期内的财务风险进行估算，无法预估用户可能的支出和资产变动，具有片面性，不利于用户理智和清晰地认识未来将要面对的财务风险和财富预期，无法保证用户规避风险。
技术实现要素：
本发明提供了一种财富走势预测方法、装置、设备及存储介质，提高财富走势预测的全面性和可靠性。
第一方面，本发明实施例提供了一种财富走势预测方法，包括：
根据目标客户所属的客户分群和当前财富数据确定所述目标客户的财富预测数据；
根据所述当前财富数据、财富预测数据以及对目标客户的测评数据确定所述目标客户的全生命周期的年收支表和资产负债表；
根据所述年收支表和资产负债表生成所述目标客户的全生命周期的财富走势预测结果。
进一步的，在根据目标客户所属的客户分群和当前财富数据确定所述目标客户的财富预测数据之前，还包括：
根据预设数据对样本客户进行分群；
其中，所述预设数据包括样本客户的静态数据、动态数据和测评数据，所述静态数据包括从数据库中采集的数据，以及根据提取的数据推算得到的数据；所述动态数据包括根据所述样本客户的客户行为分析得到的数据；所述测评数据包括通过测评问卷获取的数据。
进一步的，所述根据预设数据对样本客户进行分群，包括：
根据预设数据生成样本客户的客户标签，每个客户标签对应于唯一的行为类型、时间衰减和财富影响程度；
将客户标签一致的样本客户划分为同一客户分群。
进一步的，还包括：
根据预设数据确定每个客户分群的全生命周期的财富数据。
进一步的，所述年收支表包括所述目标客户的当前年收支信息、根据第一预测模型得到的预计支出信息、根据第二预测模型得到的预计医疗支出信息和预计养老收入信息；
所述资产负债表包括所述目标客户的当前资产负债信息和根据第三预测模型得到的预计资产负债信息；
其中，所述第一预测模型、第二预测模型和第三预测模型基于样本客户的预设数据建立。
进一步的，所述根据所述年收支表和资产负债表生成所述目标客户的全生命周期的财富走势预测结果，包括：
根据全生命周期内各个时段的年收支表和资产负债表确定对应时段的财富值；
根据各个时段的财富值生成所述目标客户的全生命周期的可支配财富曲线和收支曲线。
进一步的，所述根据所述年收支表和资产负债表生成所述目标客户的全生命周期的财富走势预测结果，还包括：
根据所述可支配财富曲线、收支曲线以及客观环境因素评估所述目标客户的全生命周期的生活质量；
生成所述目标客户的全生命周期的生活质量曲线
第二方面，本发明实施例提供了一种财富走势预测装置，包括：
数据获取模块，用于根据目标客户所属的客户分群和当前财富数据确定所述目标客户的财富预测数据；
统计模块，用于根据所述当前财富数据、财富预测数据以及对目标客户的测评数据确定所述目标客户的全生命周期的年收支表和资产负债表；
预测模块，用于根据所述年收支表和资产负债表生成所述目标客户的全生命周期的财富走势预测结果。
第三方面，本发明实施例提供了一种设备，包括：
一个或多个处理器；
存储装置，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，使得所述一个或多个处理器实现如第一方面所述的财富走势预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的财富走势预测方法。
本发明实施例提供了一种财富走势预测方法、装置、设备及存储介质，该方法包括：根据目标客户所属的客户分群和当前财富数据确定所述目标客户的财富预测数据；根据所述当前财富数据、财富预测数据以及对目标客户的测评数据确定所述目标客户的全生命周期的年收支表和资产负债表；根据所述年收支表和资产负债表生成所述目标客户的全生命周期的财富走势预测结果。上述技术方案通过结合当前财富数据和预测财富数据对财富走势进行全面的预测，提高财富走势预测的全面性和可靠性。。
附图说明
图1为本发明实施例一提供的一种财富走势预测方法的流程图；
图2为本发明实施例二提供的一种财富走势预测方法的流程图；
图3为本发明实施例二中的财富走势预测结果的示意图；
图4为本发明实施例二中的财富数据特征的示意图；
图5为本发明实施例三提供的一种财富走势预测装置的结构示意图；
图6为本发明实施例四提供的一种设备的硬件结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种财富走势预测方法的流程图，本实施例可适用于对全生命周期的财富走势进行预测的情况。具体的，该财富走势预测方法可以由财富走势预测装置执行，该财富走势预测装置可以通过软件和/或硬件的方式实现，并集成在设备中。进一步的，设备包括但不限定于：台式计算机、笔记本电脑、智能手机以及云端服务器等，用于根据大数据实现财富走势预测和并对预测结果进行展示。
如图1所示，该方法具体包括如下步骤：
s110、根据目标客户所属的客户分群和当前财富数据确定所述目标客户的财富预测数据。
具体的，客户分群是预先建立的模型或者客户分组，用于描述同一类客户的基本信息、财富行为、消费流水、收支和资产变化情况、习惯环境、职业、健康状态等，从而为目标客户的财富走势预测提供参考和依据。通过采集大量的银行数据库数据、流水数据、各类理财产品数据、信用卡数据及购房、医疗、教育数据等，可以确定客户在人生的各个阶段、以何种概率或者比例做出何种财富行为、涉及的财富变动金额的大小，据此可以将各个客户细分模型化，将财富情况相近的或具有相同属性的客户视为同一类客户，划分为一个客群。当前财富数据是指对目标客户的财富现状信息进行分析得到的数据，用于反映目标客户当前已发生的财富行为、收支和资产变化情况、消费流水、健康状态等特征，作为财富走势预测的起点数据。在对目标客户的财富走势进行预测时，可以根据其所属于的客户分群以及该目标客户的当前财富数据计算出财富预测数据，从而分析其财富水平，并根据同一客群中处于各阶段的样本客户的相关数据估计其未来的财富走势。例如，人生大致可分为三个阶段：单身生活、二人世界，家有宝贝以及退休生活，一些常见的人生事件具有一定的可计划性和可预测性，可以通过对大量的样本客户的财富行为进行统计建立用于预测目标客户的财富走势的模型，例如根据样本客户的购房、购车、偿还贷款、子女学前教育、子女大学前教育、子女大学教育、退休养老、消费习惯、投资习惯、收入等财富行为进行分群，还可以根据样本客户的不同的职业、生活环境、生活习惯、健康状况预测医疗支出状况等进行分群。对于目标客户，将其所属客户分群的上述各项数据的统计结果作为目标客户的财富数据。
s120、根据所述当前财富数据、财富预测数据以及对目标客户的测评数据确定所述目标客户的全生命周期的年收支表和资产负债表。
具体的，根据所属的客户分群确定目标客户的当前财富数据和财富预测数据后，结合测评数据(可以通过测评问卷的形式获得)统计出该目标客户的全生命周期的年收支表和资产负债表，年收支表中例如可以包括各阶段的工作收入、理财收入、生活支出、投资类支出、购房支出、医疗支出、贷款偿还、养老收入等；资产负债表反映家庭的资产和负债情况，是家庭的过去财务活动的结果，例如各类保单、贷款、存款等，通过计算净值可以判断家庭实际拥有的财富数量，还可以将当前与往年的情况甚至是与未来的情况进行比较，利于制定改善财务状况、规避财务风险的方案。年收支表和资产负债表可以根据实时获得的数据持续迭代更新，如果达到预设的告警范围或者目标客户设定的告警范围，将对目标客户进行实时的提醒，其中，告警范围包括：支出过大，风险过高，收益过低，负债过多，流动性较差，违约提示，损失补偿不足，未来预期生活费不足等。
s130、根据所述年收支表和资产负债表生成所述目标客户的全生命周期的财富走势预测结果。
具体的，财富走势预测结果可以为年收支和资产负债的净值在全生命周期的增减走势图、阶梯图、增减量统计表或者风险等级统计表等形式，直观地反映出目标客户的在全生命周期内各个阶段的财富状况，以及当前财富状况和未来财富状况的对比关系。
进一步的，在根据目标客户所属的客户分群和当前财富数据确定所述目标客户的财富预测数据之前，还包括：根据预设数据对样本客户进行分群；其中，预设数据包括样本客户的静态数据、动态数据和测评数据，静态数据包括从数据库中采集的数据，以及根据提取的数据推算得到的数据；动态数据包括根据样本客户的客户行为分析得到的数据；测评数据包括通过测评问卷获取的数据。
具体的，静态数据是指可直接获取(只涉及数据清洗)或者不可直接获取需要根据训练数据建立适当的模型推算得到的数据，静态数据具有一定的稳定性，例如客户的性别、年龄、教育水平、职业类型、工资收入等。在没有训练数据的情况下，也可以根据设定规则来确定，例如根据客户的历史财富行为特征数据或所属客群的行为特征数据推断，也可采用聚类的方式探索；动态数据是指通过分析大量的客户行为得到的数据，这些数据根据客户的行为动态变化，例如根据客户的消费行为流水获取的消费水平、投资品类偏好、消费习惯等；另外也可以通过测评问卷获取更个性化的、符合客户主观期望的测评数据，对于一个客户，初次测评时得到的数据可以答案的形式展示，后期客户可以对答案进行修改，修改后的答案用于修正客户的特征和分群。
综上，预设数据的维度包括：人口属性、所在地、年龄、性别、教育程度、职业、收入、家庭结构、生活习惯、出行交通、身体状况等个人信息；还包括每月固定收入、每月消费支出、未还贷款、金融产品持仓、有无社保、消费偏好、持有保险、期望养老等经济类信息；还可以包括投资目的、风险偏好、投资品类偏好、期限偏好、收益预期、已投资、未投资等投资类信息；还可以包括城市的统计的消费或收入的平均水平、最低水平等客观数据。
需要说明的是，同一客户分群中的样本客户涉及全生命周期的各个阶段，从而根据属性相同的、处于人生各个阶段的样本客户可以分析目标客户全生命周期的财富走势。
本发明实施例一提供的一种财富走势预测方法，通过结合当前财富数据、预测财富数据以及测评数据对财富走势进行全面的预测，综合考虑客观因素、所属客户分群的统计结果以及个人的主观期望，实现个性化预测，提高财富走势预测的全面性和可靠性，利于用户理智和清晰地认识未来将要面对的财务风险和财富预期，及时调整财富管理行为。
实施例二
图2为本发明实施例二提供的一种财富走势预测方法的流程图。本实施例是在上述实施例的基础上进行优化，对客户分群以及生成预测结果的过程进行具体描述。需要说明的是，未在本实施例中详尽描述的技术细节可参见上述任意实施例。具体的，如图2所示，该方法具体包括如下步骤：
s210、根据预设数据生成样本客户的客户标签，每个客户标签对应于唯一的行为类型、时间衰减和财富影响程度。
具体的，根据大量的样本客户的静态数据、动态数据和测评数据为每个样本客户生成客户标签，作为客户分群的依据。客户标签主要取决于三个因素：行为类型(例如购房、购车、子女教育、医疗支出、投资理财等财富行为)、时间衰减(主要指发生财富行为的年龄或年龄段)以及财富影响程度(主要指财富行为涉及的金额大小或者发生的频率、次数等)。例如，对于在30至35岁期间发生医疗支出的财富行为、医疗支出金额为3万-5万元的样本客户，生成标签a，这一类样本客户具有相同的属性；对于在60-65岁期间具有固定养老收入、养老收入金额为2万-3万的样本客户，生成标签b，这一类客户具有相同的属性等。假设样本客户涉及m种行为类型、n种时间衰减以及q个等级的财富影响程度，则对于所有的样本客户，共生成m*n*q种客户标签。
s220、将客户标签一致的样本客户划分为同一客户分群。
具体的，通过多维度数据分析建立客户标签，将同一种客户标签的样本客户划分为一个客户分群，从而可以发掘不同群体的财富行为特征，对各个客户分群的样本客户可以统计出常见财富行为的发生时间、发生概率以及造成的财富影响。客户分群的过程中不仅根据客户当前的属性和已发生的财富行为，还可以结合客户以往的属性和历史财富行为，运用机器学习算法来预测将来会发生某些财富行为的概率和时间，把发生同一类事件的时间和概率相近的客户划分为同一客户分群。利用的同样的方法，也可以判断目标客户属于哪一类分群，判断目标客户属于哪一类分群的过程，也可以理解为目标客户生成客户标签、将目标客户加入对应的已有客户分群的过程。
进一步的，目标客户的客户标签可以采用上述生成客户标签的方法自动生成，在此基础上自动选择具有相同标签的客户分群作为该目标客户所属的客户分群，利用该客户分群的财富数据预测目标客户的财富走势。除此之外，目标客户可输入模拟预测的指令，模拟预测的指令用于通过改变目标客户对应的客户标签(可以改为目标客户指定的客户标签，或者随机改为与原客户标签的特征或属性相近的客户标签)，或者通过改变目标客户的一些财富行为(例如持仓行为)，从而模拟预测改变之后的财富走势并展示给目标客户，使目标客户直观地体验到在不同情况下的财富走势的优势或劣势，从而供目标客户做出决策，判断是否需要按照模拟的情况来做出相应的改变，以改善财富状况、降低财务风险。
s230、根据预设数据确定每个客户分群的全生命周期的财富数据。
具体的，例如对于标签a的客户分群，可以统计出其中的样本客户在全生命周期内不同年龄或年龄段的收支状况或者资产负债净值，从而得到该客户分群的财富数据。其中，符合目标客户当前时间衰减的财富数据属于所述目标客户的当前财富数据，对应的时间衰减在所述目标客户的当前时间衰减之后的财富数据属于所述目标客户的财富预测数据。例如，目标客户对应于标签a的客户分群，目标客户当前处于30岁的阶段，则该客户分群的全生命周期的财富数据中，30岁之后的数据即为该目标客户的财富预测数据。
s240、根据目标客户所属的客户分群和当前财富数据确定所述目标客户的财富预测数据。
例如，目标客户属于标签c的客户分群，目标客户当前正处于30岁的阶段，则将其当前财富数据作为财富走势的起点，在此基础上，该客户分群中，35岁左右的样本客户发生3万的子女教育的支出，则可以预测目标客户在35岁左右时也会发生子女教育的支出，且支出金额约为3万；该客户分群中，45岁左右的样本客户发生1万的医疗支出，则可以预测目标客户在45岁左右时也会发生医疗支出，且支出金额约为1万。
s250、根据所述当前财富数据、财富预测数据以及对目标客户的测评数据确定所述目标客户的全生命周期的年收支表和资产负债表。
具体的，通过分析当前财富数据和财富预测数据，并结合对目标客户的测评数据，可以确定目标客户在全生命周期的年收支表和资产负债表，根据年收支表和资产负债表，可进一步分析财务风险、提出改善意见与应对方案。
进一步的，年收支表包括目标客户的当前年收支信息、根据第一预测模型得到的预计支出信息、根据第二预测模型得到的预计医疗支出信息和预计养老收入信息；资产负债表包括目标客户的当前资产负债信息和根据第三预测模型得到的预计资产负债信息；其中，第一预测模型、第二预测模型和第三预测模型基于样本客户的预设数据建立。
具体的，根据目标客户的当前财富数据、财富预测数据以及测评数据，可以编制当前年收支信息，分析家庭年收入净额和现金流动状态，例如，家庭年收入包括工作收入、投资性收入、其他收入，家庭年支出包括生活支出、投资类支出等，收入减掉支出即每年的盈余；还可以计算预计支出信息，预计支出信息包括现有支出项目在未来的支出预测金额以及现在没有但未来可能发生的支出项目的发生时间、发生概率、发生金额，例如购房、购车、子女教育等，预计支出信息需要综合考虑未来实际折现、社会相关统计数据、经济指标、人生各阶段行为特征等信息，可以通过第一预测模型根据样本数据预测得到；还可以计算预计医疗支出信息，即未来家庭医疗消费的发生时间、发生概率、发生金额，预计医疗支出信息需要综合考虑社会相关统计数据、经济指标、各类人群获病医疗统计等信息，可以通过第二预测模型根据样本数据预测得到；还可以计算预计养老收入信息，即未来养老金的收入金额，预计养老收入＝月社保养老收入 月补充养老金收入，根据社保和补充养老的缴纳年限，缴纳金融、其他经济指标等数据可以预测出社保养老金和补充养老的收入金额。
示例性的，表1为目标客户的年收支表。该表会根据目标客户的当前财富数据、财富预测数据以及测评数据的变化而持续迭代更新。
表1目标客户的年收支表
需要说明的是，预计支出信息主要是指非医疗项目的支出，例如购房、购车和子女教育支出等，这些为几乎所有的样本客户都会发生的财富行为，较为稳定，可以通过第一预测模型统计和统一化；而预计医疗支出信息主要指医疗方面的支出，医疗支出不是针对所有样本客户统一统计的，而是可能受到客户的职业、生活环境、生活习惯的影响，分为多种类型，在客户之间具有一定的随机性和互异性，因此通过第二预测模型统计和统一化，即，第一预测模型与第二预测模型为不同的模型，统计方法不同，在对目标客户的财富预测时，依据的数据和机器学习算法等也不同。
示例性的，表2为目标客户的资产负债表。该表可根据目标客户的当前财富数据、财富预测数据以及测评数据的变化而持续迭代更新。
表2目标客户的资产负债表
资产负债表包括目标客户的当前资产负债信息和预计资产负债信息(通过第三预测模型预测)。资产负债表反映家庭的资产和负债情况，是家庭的过去财务活动的结果，通过分析家庭的资产负债表不仅可以了解家庭的资产负责情况，而且可以通过计算净值来判断家庭实际拥有的财富值。家庭总资产包括流动资产和非流动资产，家庭总负债包括流动负债和非流动负债，净资产是总资产减去种负债。通过统计和编制家庭资产负债表，可以将家庭目前与往年的情况，甚至是未来的情况相比较，提出改善财务状况的方案。
s260、根据全生命周期内各个时段的年收支表和资产负债表确定对应时段的财富值。
具体的，财富值包括全生命周期内各年的(当前年收支信息、预计支出信息、预计医疗支出信息和预计养老收入信息)的收支(盈余)，以及可支配财富(净资产)值。
s270、根据各个时段的财富值生成所述目标客户的全生命周期的可支配财富曲线和收支曲线。
具体的，通过编制全生命周期中所有时间点的年收支表和资产负债表，确定各时间点的财富值，绘制覆盖全生命周期的财富走势图。
s280、根据所述可支配财富曲线、收支曲线以及客观环境因素评估所述目标客户的全生命周期的生活质量。
具体的，根据可支配财富曲线、收支曲线以及客观环境因素(社会生活水平、消费水平、物价水平、城市最低收入水平等)评估生活质量，不同的财富值在不同的客观环境因素下给目标客户带来的经济压力、财务风险也不同，因此生活质量也不同。例如，目标客户处于30岁的阶段，可支配财富值为20万，但其可能正在发生购房、购车或者还贷等财富行为，并且即将发生子女教育支出，经济压力较大，此时如果存在投资支出，财务风险也较大，因此生活质量相对偏低，可能需要调整财富行为、防范财务风险；而如果目标客户处于50岁的阶段，可支配财富值也为20万，但无需购房、购车、贷款已还且医疗支出金额较少，此时即便有一定的投资支出，财务风险也较小，生活质量相对较高等。
s290、生成所述目标客户的全生命周期的生活质量曲线。
图3为本发明实施例二中的财富走势预测结果的示意图。如图3所示，财富走势预测结果包括全生命周期的可支配财富曲线、收支曲线和生活质量曲线，根据所属客户分群的统计数据，确定目标客户全生命周期内各个时段的财富值，评估其生活质量，实现了财富走势的预测。
可选的，财富走势预测结果还可以通过表格、阶梯图或者数据等形式体现。例如：目标客户现有财富共70万元，负债50万元，净资产为20万元；根据所述客户分群的统计数据预计每年存入9万元，58岁将还完所有贷款；预计55岁退休以后存款200万元，预计社保收入15860元；28岁以后，预计每年会多支出5万元用于孩子的教育；直到2023年买房专用金需100万元，现已有60万元，每年还需存入8万元；三年后，所属的客户分群的年收入20万元-30万元的人群医疗会有0.022％的可能性支出2万元；65岁退休以后需要每月31161元用于养老生活费，预测现有养老保障仅能覆盖51％等等。
以下为对在实际应用中对一个客户(可以是样本客户，也可以是目标客户)的生成客户标签的过程进行具体描述：
首先，客户标签的建立受以下特征的影响：
1)财富数据特征(通过静态数据体现)
财富数据特征主要包括人口统计学特征、资产与负债特征、保险与保障特征以及支出与收入特征。图4为本发明实施例二中的财富数据特征的示意图。如图4所示，人口统计学特征主要包括客户的基本信息、工作及收入、投资态度等；资产与负债特征主要包括非金融资产、金融资产和负债信息等；保险与保障主要包括社会保障和商业保险；支出与收入主要包括消费性支出、转移性支出、其他支出和各类收入等。
2)财富行为特征(通过动态数据体现)
财富行为特征主要通过客户的财富行为体现，例如，客户搜索、浏览、收藏、购买或回购的理财产品和投资项目等。
3)测评数据特征(通过测评数据体现)
测评特征主要指通过采集客户的测评数据获取到的特征，例如，客户期望或偏向于何种理财产品、投资项目、还贷方式，计划或预期何时购车、购房等。
其次，生成客户标签的过程可以理解为建立用户画像的过程，根据客户的静态数据、动态数据和测评数据可统计分析得到对应的客户标签。客户标签主要取决于三个因素：行为类型、时间衰减以及财富影响程度。例如，行为类型有多种，可以体现可户对某种财富行为的偏好程度，如购买某产品>收藏某产品>浏览某产品>搜索某产品；时间衰减由发生财富行为的时间决定，发生财富行为的时间距离当前越久越，则对财富走势预测的影响越小，例如10年前购买的是一本用于考研复习的书，而现在购买的是一本儿童绘本，则该客户当前处于家庭生活的阶段、已有子女，这种情况下，客户标签受到与子女相关的财富行为的影响的权重较大；财富影响程度可以为财富行为导致的财富变动的金额、或者财富行为的次数或频率等，如在近1个月搜索了两次“基金”这个产品，在近3个月购买了1次理财产品，则客户标签受到“基金”的影响的权重较大。在上述基础上，根据客户的客户标签，将具有同类标签的客户划分为一类客群。
需要说明的是，对于一个客户而言，可以从多个维度生成客户标签；同一客户分群中的客户可以具有多个维度的客户标签且只有部分维度的客户标签相同。例如，对于在30至35岁期间发生医疗支出的财富行为、医疗支出金额为3万-5万元的客户，生成客户标签a1；对于在30至35岁期间无正式职业、固定年收入为2-3万元的客户，生成客户标签a2；则可将具有客户标签a1、客户标签a2(即同时满足30至35岁、发生医疗支出的财富行为、医疗支出金额为3万-5万元、无正式职业并且固定年收入为2-3万元)划分为同一客户分群a，如果目标客户也满足上述条件，则可确定为属于客户分群a；但客户分群a中的客户在其他维度的特征可能不同，例如，一部分客户购买了理财产品，另一部分未购买理财产品；一部分客户办理了信用卡且额度不等、另一部分客户未办理信用卡等。在一个客户分群中，各客户必须完全相同的客户标签可根据预设规则或实际需求确定。进一步的，静态数据的种类繁多(例如包括客户基本信息、收支信息、持有产品、渠道使用、历史交易、资金往来、风险等级等)，可先对静态数据进行统计，将其抽象成事实数据，即用于直观反映客户的财富行为特征的统计数据(例如资金变动频率、产品购买次数、账户历史趋势、渠道使用频率、投诉次数等)，然后针对事实数据得到静态的客户标签(例如根据人口属性、产品购买偏好、用户关联关系、用户交织、渠道使用偏好、用户满意度、用户兴趣爱好、用户活跃度、用户风险评分等生成客户标签)，从静态数据的维度提供划分客户分群的依据；而对于动态数据(例如人口属性、人群属性、消费能力、违约概率、投资及收益预测、日常支出预测、大支出预测、退休收入预测、医疗支出预测、投资偏好等)，可以从动态数据的维度提供划分客户分群的依据；在此基础上，结合测评数据，最终生成客户标签。
本发明实施例二提供的一种财富走势预测方法，在上述实施例的基础上进行优化，通过生成客户标签进行客户分群，为财富预测提供可靠的预测模型或依据；通过多维度的数据分析，提高财富走势预测的全面性；通过生成财富走势预测曲线，直观展示目标客户全生命周期的的可支配财富、年收支和生活质量评估结果；预测结果考虑了具有相同属性的客户分群的行为特征，结合了当前财富现状和预测财富数据，结合了客观环境因素以及通过测评过得到的主观数据，考虑了目标客户的历史行为、消费习惯、投资偏好等，实现个性化预测，提高财富走势预测的全面性和可靠性，利于用户理智和清晰地认识未来将要面对的财务风险和财富预期，及时调整财富管理行为。
实施例三
图5为本发明实施例三提供的一种财富走势预测装置的结构示意图。本实施例提供的财富走势预测装置包括：
数据获取模块310，用于根据目标客户所属的客户分群和当前财富数据确定所述目标客户的财富预测数据；
统计模块320，用于根据所述当前财富数据、财富预测数据以及对目标客户的测评数据确定所述目标客户的全生命周期的年收支表和资产负债表；
预测模块330，用于根据所述年收支表和资产负债表生成所述目标客户的全生命周期的财富走势预测结果。
本发明实施例三提供的一种财富走势预测装置，通过结合当前财富数据、预测财富数据以及测评数据对财富走势进行全面的预测，综合考虑客观因素、同类客群的统计结果以及个人的主观期望，实现个性化预测，提高财富走势预测的全面性和可靠性，利于用户理智和清晰地认识未来将要面对的财务风险和财富预期，及时调整财富管理行为。
在上述实施例的基础上，所述装置还包括：
分群模块，用于在根据目标客户所属的客户分群和当前财富数据确定所述目标客户的财富预测数据之前，根据预设数据对样本客户进行分群；
其中，所述预设数据包括样本客户的静态数据、动态数据和测评数据，所述静态数据包括从数据库中采集的数据，以及根据提取的数据推算得到的数据；所述动态数据包括根据所述样本客户的客户行为分析得到的数据；所述测评数据包括通过测评问卷获取的数据。
在上述实施例的基础上，所述分群模块，包括：
标签生成单元，用于根据预设数据生成样本客户的客户标签，每个客户标签对应于唯一的行为类型、时间衰减和财富影响程度；
划分单元，用于将客户标签一致的样本客户划分为同一客户分群。
进一步的，所述装置还包括：
财富数据确定模块，用于根据预设数据确定每个客户分群的全生命周期的财富数据；
其中，符合目标客户当前时间衰减的财富数据属于所述目标客户的当前财富数据，对应的时间衰减在所述目标客户的当前时间衰减之后的财富数据属于所述目标客户的财富预测数据。
进一步的，所述年收支表包括所述目标客户的当前年收支信息、根据第一预测模型得到的预计支出信息、根据第二预测模型得到的预计医疗支出信息和预计养老收入信息；
所述资产负债表包括所述目标客户的当前资产负债信息和根据第三预测模型得到的预计资产负债信息；
其中，所述第一预测模型、第二预测模型和第三预测模型基于样本客户的预设数据建立。
进一步的，所述预测模块，包括：
财富值计算单元，用于根据全生命周期内各个时段的年收支表和资产负债表确定对应时段的财富值；
第一曲线生成单元，用于根据各个时段的财富值生成所述目标客户的全生命周期的可支配财富曲线和收支曲线。
进一步的，所述预测模块，还包括：
评估单元，用于根据所述可支配财富曲线、收支曲线以及客观环境因素评估所述目标客户的全生命周期的生活质量；
第二曲线生成单元，用于生成所述目标客户的全生命周期的生活质量曲线。
本发明实施例三提供的财富走势预测装置可以用于执行上述任意实施例提供的财富走势预测方法，具备相应的功能和有益效果。
实施例四
图6为本发明实施例四提供的一种设备的硬件结构示意图。进一步的，设备包括但不限定于：台式计算机、笔记本电脑、智能手机以及云端服务器等，用于根据大数据实现财富走势预测和并对预测结果进行展示。如图6所示，本实施例提供的一种设备，包括：处理器410和存储装置420。该设备中的处理器可以是一个或多个，图6中以一个处理器410为例，所述设备中的处理器410和存储装置420可以通过总线或其他方式连接，图6中以通过总线连接为例。
所述一个或多个程序被所述一个或多个处理器410执行，使得所述一个或多个处理器实现上述实施例中任意所述的财富走势预测方法。
该设备中的存储装置420作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例中财富走势预测方法对应的程序指令/模块(例如，附图5所示的财富走势预测装置中的模块，包括：数据获取模块310、统计模块320以及预测模块330)。处理器410通过运行存储在存储装置420中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述方法实施例中的财富走势预测方法。
存储装置420主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等(如上述实施例中的当前财富数据、财富预测数据以及测评数据等)。此外，存储装置420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
并且，当上述设备中所包括一个或者多个程序被所述一个或者多个处理器410执行时，进行如下操作：根据目标客户所属的客户分群和当前财富数据确定所述目标客户的财富预测数据；根据所述当前财富数据、财富预测数据以及对目标客户的测评数据确定所述目标客户的全生命周期的年收支表和资产负债表；根据所述年收支表和资产负债表生成所述目标客户的全生命周期的财富走势预测结果。
本实施例提出的设备与上述实施例提出的财富走势预测方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述任意实施例，并且本实施例具备与执行财富走势预测方法相同的有益效果。
在上述实施例的基础上，本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被财富走势预测装置执行时实现本发明上述任意实施例中的财富走势预测方法，该方法包括：根据目标客户所属的客户分群和当前财富数据确定所述目标客户的财富预测数据；根据所述当前财富数据、财富预测数据以及对目标客户的测评数据确定所述目标客户的全生命周期的年收支表和资产负债表；根据所述年收支表和资产负债表生成所述目标客户的全生命周期的财富走势预测结果。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的财富走势预测方法操作，还可以执行本发明任意实施例所提供的财富走势预测方法中的相关操作，且具备相应的功能和有益效果。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的财富走势预测方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
1.一种财富走势预测方法，其特征在于，包括：
根据目标客户所属的客户分群和当前财富数据确定所述目标客户的财富预测数据；
根据所述当前财富数据、财富预测数据以及对目标客户的测评数据确定所述目标客户的全生命周期的年收支表和资产负债表；
根据所述年收支表和资产负债表生成所述目标客户的全生命周期的财富走势预测结果。
2.根据权利要求1所述的方法，其特征在于，在根据目标客户所属的客户分群当前财富数据确定所述目标客户的财富预测数据之前，还包括：
根据预设数据对样本客户进行分群；
其中，所述预设数据包括样本客户的静态数据、动态数据和测评数据，所述静态数据包括从数据库中采集的数据，以及根据提取的数据推算得到的数据；所述动态数据包括根据所述样本客户的客户行为分析得到的数据；所述测评数据包括通过测评问卷获取的数据。
3.根据权利要求2所述的方法，其特征在于，所述根据预设数据对样本客户进行分群，包括：
根据预设数据生成样本客户的客户标签，每个客户标签对应于唯一的行为类型、时间衰减和财富影响程度；
将客户标签一致的样本客户划分为同一客户分群。
4.根据权利要求2所述的方法，其特征在于，还包括：
根据预设数据确定每个客户分群的全生命周期的财富数据。
5.根据权利要求2所述的方法，其特征在于，所述年收支表包括所述目标客户的当前年收支信息、根据第一预测模型得到的预计支出信息、根据第二预测模型得到的预计医疗支出信息和预计养老收入信息；
所述资产负债表包括所述目标客户的当前资产负债信息和根据第三预测模型得到的预计资产负债信息；
其中，所述第一预测模型、第二预测模型和第三预测模型基于样本客户的预设数据建立。
6.根据权利要求1所述的方法，其特征在于，所述根据所述年收支表和资产负债表生成所述目标客户的全生命周期的财富走势预测结果，包括：
根据全生命周期内各个时段的年收支表和资产负债表确定对应时段的财富值；
根据各个时段的财富值生成所述目标客户的全生命周期的可支配财富曲线和收支曲线。
7.根据权利要求6所述的方法，其特征在于，所述根据所述年收支表和资产负债表生成所述目标客户的全生命周期的财富走势预测结果，还包括：
根据所述可支配财富曲线、收支曲线以及客观环境因素评估所述目标客户的全生命周期的生活质量；
生成所述目标客户的全生命周期的生活质量曲线。
8.一种财富走势预测装置，其特征在于，包括：
数据获取模块，用于根据目标客户所属的客户分群和当前财富数据确定所述目标客户的财富预测数据；
统计模块，用于根据所述当前财富数据、财富预测数据以及对目标客户的测评数据确定所述目标客户的全生命周期的年收支表和资产负债表；
预测模块，用于根据所述年收支表和资产负债表生成所述目标客户的全生命周期的财富走势预测结果。
9.一种设备，其特征在于，包括：
一个或多个处理器；
存储装置，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，使得所述一个或多个处理器实现如权利要求1-7中任一所述的财富走势预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的财富走势预测方法。
技术总结