文/上海银行现金中心 周天禹 段云文 萧斌

上海银行苏州开发测试中心 陈嘉琳 程璐

随着金融环境的快速发展与变化，银行运营正在经历深刻的转型，目前存在诸如运营数据庞大及复杂、现金业务量波动性大、运营资源配置难、风险防控要求高以及客户个性化需求多等挑战。为提升银行运营的精细化水平，应对内外部环境的瞬息万变，上海银行引入智能时序预测模型，该模型以数字化、智能化为目标，致力于满足银行运营转型过程中的预测需求，构建了具有上海银行特色的智慧运营体系。

上海银行以时序预测模型为基础，自研融合运营条线基础特征和时序特征的智能时序模型。结合网点运营领域的多维度需求，如现金备付、业务运营指导、机具服务保障等，与现金中心运营管理平台、智能配送系统、自助机具管理平台互联，构建智能时序预测决策框架，为银行前台、中台提供智能化数据运营服务。

智能时序预测通过探索更先进的模型和数据分析手段，为决策者提供未来运营趋势的管理和优化策略。通过深入分析数据，银行可以更好地理解客户需求和行为，优化客户体验，提高满意度。智能时序预测技术为银行精细化运营和客户优质化服务提供了可能。

智能时序预测决策框架

智能时序预测模型专注于处理时间序列数据，是一类用于分析数据中时间依赖性的AI或统计学模型。它通过数学方法建模，考虑自相关、季节性和趋势等因素，实现对未来时间变化趋势的准确预测。

基于时序数据，拟合趋势、周期性和季节性变化，结合数据科学和业务决策，利用深度学习、数据挖掘和模型优化等技术，构建智能时序预测决策框架。该框架提供预测结果、业务建议、优化方案等内容，为银行业务提供实时而准确的信息支持。通过将模型输出与业务流程相结合，形成“数据→模型→应用推送→运营决策”的逻辑闭环（如图所示），满足银行运营的多元化需求，实现对智能决策的全面支持。

图 智能时序预测决策框架

1. 数据处理及探索分析

智能时序预测广泛应用于金融、气象、生物信息学等领域，通过深入挖掘历史数据变化规律，帮助人们更好理解和预见未来发展趋势。在银行运营管理中，时序预测模型应用于现金流管理、客户需求预测、风险管理、排班规划等场景，有助于银行适应复杂金融环境，优化资源配置，实现可持续业务发展。

不同应用场景中存在复杂度、数据量、预测目标、数据特征、性能要求等差异，不同网点和机具的地理位置和营业规模等因素会影响时序数据的波动规律。在对数据的渠道和粒度拆解过程中，部分维度下的时序数据存在离散程度高、季节性弱、异常数值多等问题，甚至可能无法通过白噪声检验。因此，在技术选型和模型建设前，通常需要利用白噪声检验方法判断序列是否为随机序列，使用平稳性检验方法判断时序数据是否平稳，以及通过差分、对数变换、时序分解等方法将序列平稳化。

经过检验后，对时序数据进行描述性统计分析，包括均值、方差、偏度、峰值等统计指标，以了解数据基本特征和分布。季节性分析、周期性分析、趋势分析等方法可帮助理解时序数据的模式和内在结构。这些分析结果有助于确定模型复杂度，选择合适的差分结果，并指导后续建模过程中的相关决策。

2. 技术选型

时序预测模型在长期发展中分为三大领域的预测方法。

统计学模型：考虑时序数据的趋势和季节性因素，具有相对鲁棒的异常值处理能力。适用于广泛的时序预测场景，尤其在处理粗粒度时序数据上表现良好。然而，传统统计学模型结构相对简单，难以处理大规模、非线性的时序数据，对于长距离时序预测问题有限制。

深度学习模型：随着深度学习模型的演进，时序预测模型得到了快速迭代和发展。深度学习模型能够更好地捕捉时序数据中的复杂模式和关系，包括季节性、周期性和自相关性等特征。深度学习模型对数据量和计算资源有一定要求，其黑盒性和复杂性影响了预测结果的可解释性。

回归模型：将时序预测问题建模为回归问题，结合特征工程技术，利用机器学习模型的特征学习和拟合能力提升预测效果。常用的梯度提升机（GBM）类方法，如LightGBM、XGBoost等，通过组合多个弱模型提高预测性能。回归模型适用于大规模和高维度的时序预测问题，具有较强泛化能力，易于融合协变量信息，但预测效果受特征工程的影响。

总体而言，选择适当的时序预测方法需要考虑数据趋势、预测粒度、预测长度、计算时效性，以及预测效果等因素。尽管深度学习在人工智能领域中具有影响力，但在时序预测中，统计学模型凭借扎实的理论基础和可解释性仍具有竞争力。回归模型具有出色的泛化能力，适用于广泛的时序预测场景，通常比大多数深度学习模型表现更好。

3. 预测流程

与自上而下的管理体系类似，将运营数据按“总行-分行-网点”体系结构层级聚合，形成分层时间序列。以现金领用预测为例，上海银行深圳分行集中作业中心按月估算向人民银行报送现金领用金额，而深圳分行下辖各网点按周估算向分行集中作业中心报送现金领用金额。数据规律和量大小导致两种场景下适用的模型并不相同。

不同分支行间呈现明显的地域和管理策略差异，网点及机具间存在业务类型、业务量差异。结合预测目标属性，对时序数据进行聚合，形成分组时间序列。同组序列通过分组训练，可强化其历史趋势和特征学习。

在数据分析和分组后，根据业务需求，对时序数据进行不同粒度的汇总或拆分，从不同粒度提取有效特征。时序预测特征工程通常包括时间特征、滑动窗口统计/聚合特征、滞后特征等，或利用RMF方法对不同维度特征进行组合分析。除从时序数据本身挖掘相关特征外，运营数据存在很强的业务属性，特殊运营日期内现金交易和其他时段呈现不同的波动规律，业务类型占比及营业周期的变化是挖掘数据波动周期性的重要特征。

时序预测模型通常倾向于在均值附近平稳地进行预测，对于峰谷波动大，且峰值出现随机性强的情况，例如因对公客户工程项目奖金结款而造成的大额现金取款、利率下行大环境时各行利率波动造成的聚集性存款转移及养老金政策性大规模增补发等情况，无法提供准确的预测结果。面对这种模型无法解决而又长期会存在的情况，常采用业务规则调整策略，将预测结果和大额存单、大额取款预约以及财政拨款发放等情况进行结合，大大降低峰值随机性，提高预测效果。

时序预测模型效果验证通常采用均方根误差（RMSE），但其相对值不能直观评估不同场景下的预测效果，如现金流预测的RMSE指标通常高于业务量预测。实际应用时，通常采用RMSE和平均绝对百分比误差（MAPE）结合评估整体效果。

通过分析原始时序和预测时序之间的残差序列相关图，可评估模型是否考虑到时序数据中的自相关性。残差相关图与白噪声相关图相似，表示模型已较好地拟合时序数据中的自相关性；若残差相关图体现额外自相关性，则存在优化空间。

4. 应用探索

以全行现金库存管理需求切入，同步探索柜面和机具渠道的现金管控策略。柜面渠道首先尝试领现分级预测模型，基于网点历史领现数据提供次日现金领用量参考值。根据实际使用反馈，为避免出现库存冗余和库存击穿问题，融合伪现金交易剔除规则、大额取现阈值，绘制现金库存动态曲线，并定义领现值域上限（现金支出交易总金额）和值域下限（期初库存-当日最低库存），基于上下限的时序序列，实现点值预测到区间预测的模型优化。

在机具渠道预期实现机具装清预警，首先尝试以天粒度估计机具每日现金收付额，然而在实际应用中，机具装清需求通常发生在日中，期望提供更具体的装清时间。分析发现，机具上下午时段现金总量规律性较强，而逐小时的收付数据的峰值出现频率更高、数值更随机，其中存款数据量较少，细化到小时级时数据连续性大幅降低。为此最终采用逐小时预测取款值后每4小时汇总和直接预测4小时存款值的方案构建时序预测模型，实现了从68%到78%的预测效果提升。后续在应用层，利用机具收付预测值和机具实际余钞量，每日8点和12点发出装清钞预警，保障机具正常服务。

上海银行分析全渠道现金交易的时序趋势，部署了多层次（机具/柜面/网点/分行等）、多粒度（小时级/天级/周度/月度等）、多维度（现金领用量/机具收付量/合理库存上下限等）的智能现金管理体系，综合考虑安全性、流动性和成本效益，在满足客户需求的同时最大程度降低无效库存占用，增强银行现金头寸和库存管控的科学性、合理性，提升现金利用效率和安全防控水平。

在资源配置方面，网点人员岗位安排存在流动性，如何评估网点服务专员合理人数，协调区域内各网点、各岗位的在岗人数是经营管理的一项重要工作。上海银行通过拆解网点业务渠道和业务类型，凭借不同类型业务的折算系数，剔除系统自动记录的业务过程，提高人为操作业务占比，得到更切合服务专员实际体验的业务量值，为形成智能排班和区域性资源协调积累建设经验。

上海银行后续将以智能时序预测模型为基础，通过预测机具每日现金使用量，分析机具清装生命周期，结合实时路径规划可实现机具的一站式无感配送，形成更实时、更经济、更高效的智能现金物流调度网络；通过预估未来各时段业务量，根据标准产能，测算最优配置人数，应用智能求解器等，生成满足规则的最优排班方案，打造具备规则智能审核、人力资源调配等定制化功能的智能排班系统，实现排班流程智能化，人力配置合理化，管理模型标准化。智能时序预测模型的应用只是上海银行数字化转型、智能化建设的其中一环，探索智能模型、生产系统和运营决策的有机结合模式，是智慧运营生态形成的一大关键。

建立数据驱动管理的协同工作模式

银行运营从最初数据集中、业务集中的运营模式，到目前正迈向以线上化、数字化、智能化为特征的智慧运营阶段。数字化转型为数据分析、业务研判提供了强大的数据基础，预测模型则在数据基础上提供更科学、更智能的业务预测及建议，以此形成数据驱动管理的协同工作模式，其主要有以下三个特点。

1. 以“总分行协同精准施策”为理念

明确以“精准施策”为目的，建立总行与分行良性协同模式，提升银行运营、现金管理的数字化及精细化水平。总行管理要从“宏观要求、简单指挥”的模式转变为“精准发现问题、有效协调指挥”，对分行及网点进行全方位的诊断，实现从全局研判经营态势，有效制定应对策略，并提高决策效率与质量。上海银行总行现金中心与全行13家分行在现金运营管理上形成总分行协同工作机制，在现金指标管控、系统环节响应、业务数据共享等方面互联共通，积极响应分行现金管理需求，有效协调指挥，促进全行现金运营管理的精细化、智能化。

2. 倡导指标的弹性值域管理

数据驱动管理的立足点在于结合业务场景建立合理的业务指标体系，对业务进行量化评估。依托于庞大的业务数据基础，利用大数据及预测模型等技术，设计动态指标值域分区，倡导弹性值域管理，避免指标设定僵化，确保决策管理的科学性。在指标设计及模型计算过程中，要将业务场景与管理数据紧密结合，保障以数据驱动这一前提条件。在库存管理方面，以网点为最小单位，综合考虑各地区不同运营模式推送现金预测数据，并结合实时库存进行预警推送，在保障对外现金供应的基础上，合理压降现金库存超12%。

3. 构建数据驱动管理的应用化路径

将模型分析结果、业务建议与分层推送展示需求相结合，构建一套以“数据驱动管理”为核心的协作流程及应用路径。上海银行通过自研搭建了“大数据建模平台建模、数据展示平台结果处理、终端应用实时推送并反馈”的全应用链路，将模型预测结果应用于实际业务中，优化业务流程，提升全行智能化运营水平。在机制上，利用数据研判问题、模型指标规则处理、形成有效业务优化措施、反馈监控事后处理成效，以此形成全行运营数据驱动业务管理的闭环机制。

总体而言，该协同工作模式的核心动能是智能时序预测模型结合业务数据在整体指标体系下提供的智能预测结果及业务建议。围绕输出结果搭建全流程应用链路，分层级推送各级业务人员，以此科学、合理、有效地驱动业务管理。

总结与展望

智能时序预测模型在银行运营转型中，逐渐成为解决运营复杂性、优化资源配置的关键工具。面对现金流波动、风控要求高、客户需求变化等挑战，上海银行通过加强运营管理的研究和实践，部署了多层次、多粒度、多维度的智慧运营管理体系；依托智能时序预测模型，建立了数据驱动管理的协同工作模式，并不断探索模型、生产系统和运营决策的有机结合模式。

未来，随着金融科技的发展和数字化转型的深入，上海银行将以更加智能化、精细化的方式，提升业务运营效率、加强运营风险防控、提高客户服务品质。

（此文刊发于《金融电子化》2025年2月下半月刊）