运用时间序列模型和周期因子预测商业银行存款

商业银行的存款预测对商业银行流动性有着重要影响，文章基于中原银行2020-2022年的每日存款总量数据，对比ARIMA、LSTM两种机器学习算法的预测准确度，并叠加了周期因子。其中，在数据表现比较平稳的时期，ARIMA模型叠加周期因子后要比ARIMA单一模型的平均绝对误差（mae）和均方根误差（rmse）分别降低19.1%和19.3%,LSTM模型叠加周期因子后的这两个指标比单一模型分别降低10.7%和11.6%。因此，周期因子的叠加使本次商业银行存款数据预测大大降低了误差，发挥了重要作用。综合比较来看，LSTM模型叠加周期因子相较于ARIMA模型来说可以处理更复杂的情况，表现更稳定，预测结果也更合理。因此，文章推荐商业银行在预测存款数据变动时使用LSTM模型叠加周期因子。