基于优化GA-BP神经网络的金融产品营销预测

doi:10.3969/j.issn.1000-436x.2014.z2.004

摘要/Abstract

摘要：

摘要：传统 BP 神经网络存在着网络结构参数确定过于依赖经验、易于陷入局部解等缺陷，为了改进 BP 神经网络模型的应用缺陷，提出优化GA-BP算法，通过GA算法优化BP神经网络拓扑结构和网络参数初始值的选取过程，并且为了验证模型的可行性，以某银行短期理财产品营销的客户历史数据作为实证研究对象，并通过与BP 神经网络模型的对比实验，验证该模型可以更精确地预测银行理财产品的客户营销结果。实验结果表明将该模型用于对金融产品营销数据的仿真计算，可以更精确地预测未来营销结果。

关键词: GA-BP, 银行营销, 优化

Abstract:

The traditional BP neural network has some application problems.For example,the network structure parameter is too dependent on experience and easy to fall into local solution.In order to improve the application defects of BP neural network model,the optimization GA-BP algorithm to optimize BP neural network topology and the selection process of network initial parameter value is proposed.In order to verify the feasibility of the model,marketing customer historical data of a bank short-term financial products as the research object is used to validate the model which could more accurately predict the customer compared with BP neural network model.The test results show that the model could be applied to analysis financial product marketing data and more accurately predict the future marketing results.

Key words: GA-BP, bank promotion, optimization

金鑫,潘宜安,吴靖. 基于优化GA-BP神经网络的金融产品营销预测[J]. 通信学报, 2014, 35(Z2): 20-25.

Xin JIN,Yi-an PAN,Jing WU. Financial production marketing prediction based on optimization GA-BP neural network[J]. Journal on Communications, 2014, 35(Z2): 20-25.

图/表 7

图1

表1

表2

图2

图3

图4

图5

参考文献 12

[1]	董槐林, 郭阳, 郑宇辉 . 基于 PSO-BP 神经网络的企业信用风险评估模型研究[J]. 计算机与现代化, 2009,4(4): 123-126. DONG K L , GUO Y , ZHENG Y H . Research on evaluation model of enterprise credit risk based on PSO-BP neural networks[J]. Modern Computer, 2009,4(4): 123-126.
[2]	HEBB D O . The Organization of Behavior:A Neuropsychological Approach[M]. John Wiley ＆ Sons, 1949.
[3]	MCCLELLAND J L , RUMELHART D E . Parallel distributed processing[J]. Psychological and biological models, 1987,2: 76-82.
[4]	WIDROW B , HOFF M E . Adapting switching circuits[A]. IRE WESCON Conv Record[C]. 1960. 96-104.
[5]	李红, 杨剑锋 . 基于改进的 BP 神经网络模型参考自适应控制[J]. 兰州交通大学学报, 2011,30(1): 37-41. LI H , YANG J F . Reference adaptive control based on improved BP neural network[J]. Journal of Lanzhou Jiaotong University, 2011,30(1): 37-41.
[6]	张卫东, 韩云昊, 米阳 . 基于 GA-BP 模糊神经网络的商业银行信用风险评估[J]. 工业工程与管理, 2006,5: 80-84. ZHANG W D , HAN Y H , MI Y . A study on credit risk assessment of commercial banks based on GA BP fuzzy neural network[J]. Industrial Engineering and Management, 2006,5: 80-84.
[7]	席道瑛, 张涛 . BP 网络的改进及模拟退火神经网络在地学中应用[J]. 物探化探计算技术, 1996,18(3): 219-224. XI D Y , ZHANG T . Application of improved BP neural network and simulatedannealing neural network in Earth Science[J]. Computing Techniques for Geophysical and Geochemical Exploration, 1996,18(3): 219-224.
[8]	苏晨, 李成义 . 基于遗传算法和 BP 神经网络的服装销售预测[J]. 经营与管理, 2012,2: 145-158. SU C , LI C Y . Garment sales prediction of based on genetic algorithm and BP neural network[J]. Operation and Management, 2012,2: 145-158.
[9]	TAN P N , MICHAEL S , VIPIN K . Introduction to Data Mining[M]. Beijing: Machine Industry PressPress, 2010: 246-255.
[10]	HAN J , KAMBER M , PEI J . Data Mining:Concepts and Techniques[M]. Morgan Kaufmann, 2006.
[11]	傅荟璇, 赵红等 . MATLAB 神经网络应用设计[M]. 机械工业出版社, 2010. FU H X , ZHAO H , et al . Neural network application design based on MATLAB[M]. Beijing: Machine Industry PressPress, 2010.
[12]	HECTOR C . Practical data analysis[M]. Beijing: Machine Industry PressPress, 2014.

贷款状态	营销结果比例/%		类距离
贷款状态	成功	失败	类间距	类内距
有	26.21	73.79	0.63	0.14
无	13.35	86.65	0.63	0.14

字段	含义
age	年龄
job	工作类型
marital	婚姻状况
education	教育状况
balance	年末个人收支状况
loan	是否有个人贷款
contact	营销方式
campaign	单客户营销次数
duration	单客户平均营销时长
pdays	距最近一次客户营销的天数
poutcome	此前营销结果
Y	最终是否购买

[1]	李竟博, 马礼, 李阳, 傅颖勋, 马东超. 感传算协同工业互联网优化设计[J]. 通信学报, 2023, 44(6): 12-22.
[2]	张平, 戴金晟, 张育铭, 王思贤, 秦晓琦, 牛凯. 面向语义通信的非线性变换编码[J]. 通信学报, 2023, 44(4): 1-14.
[3]	蒋丽, 谢胜利, 田辉. 面向数字孪生边缘网络的区块链分片及资源自适应优化机制[J]. 通信学报, 2023, 44(3): 12-23.
[4]	余雪勇, 邱礼翔, 宋家宁, 朱洪波. 无人机辅助边缘计算中安全通信与能效优化策略[J]. 通信学报, 2023, 44(3): 45-54.
[5]	张雷, 王玉, 田建杰, 张琳, 章天骄. 基于IRS辅助的MIMO车联网系统联合波束成形设计[J]. 通信学报, 2023, 44(2): 59-69.
[6]	赵庶旭, 韦萍, 王小龙. 多任务并发边缘计算环境中最优联盟结构生成策略[J]. 通信学报, 2023, 44(2): 172-184.
[7]	王彬, 任露, 王晓帆, 曹雅娟. 基于协方差分析的合作协同进化差分进化算法[J]. 通信学报, 2023, 44(1): 189-199.
[8]	胡强, 田雨晴, 綦浩泉, 吴鹏, 刘庆雪. 基于改进人工蜂群算法的云制造服务组合优化方法[J]. 通信学报, 2023, 44(1): 200-210.
[9]	聂宏蕊, 李绍胜, 刘勇. 时间敏感网络中基于IEEE 802.1Qch标准的优化调度机制[J]. 通信学报, 2022, 43(9): 12-26.
[10]	杨震, 冯璇, 吕斌. 智能反射面辅助的两跳中继无线供电通信网络吞吐量最大化研究[J]. 通信学报, 2022, 43(9): 90-99.
[11]	许文俊, 吴思雷, 王凤玉, 林兰, 李国军, 张治. 基于多智能体强化学习的大规模灾后用户分布式覆盖优化[J]. 通信学报, 2022, 43(8): 1-16.
[12]	郭海燕, 杨震, 邹玉龙, 吕斌, 冯蕴天, 赵玉娟. 基于主被动波束成形联合优化的双RIS辅助抗干扰通信方法[J]. 通信学报, 2022, 43(7): 21-30.
[13]	何世文, 袁军, 安振宇, 张敏, 黄永明, 张尧学. 基于图神经网络的联合用户调度与波束成形优化算法[J]. 通信学报, 2022, 43(7): 73-84.
[14]	朱思峰, 蔡江昊, 柴争义, 孙恩林. 车联网云边协同计算场景下的多目标优化卸载决策[J]. 通信学报, 2022, 43(6): 223-234.
[15]	李翠然, 王雪洁, 谢健骊, 吕安琪. 基于改进PSO的铁路监测线性无线传感器网络路由算法[J]. 通信学报, 2022, 43(5): 155-165.