《适当性管理中的客户分类方法创新》由会员分享，可在线阅读，更多相关《适当性管理中的客户分类方法创新（10页珍藏版）》请在金锄头文库上搜索。
1、适当性管理中的客户分类方法创新兴业证券股份有限公司1、客户分类是适当性管理工作的基础和关键环节客户分类是适当性管理工作的基础和关键环节2010 年 4 月证监会发布的关于加强证券经纪业务管理的规定对投资者适当性管理工作提出了明确要求，标志着从 2007 年开始启动的适当性管理工作得以制度化落实。自2007 年 9 月发布会员客户交易行为管理指引以来，适当性管理工作已成为证券市场的一项重要工作。但由于国内投资者适当性管理工作开展的时间不长，在客户分类方面仍存在分类方法主观性强、分类结果准确性难以评估和分类结果应用效果不明显等问题。客户分类是适当性管理工作的基础和关键环节，客户分类的准确性和有效性
2、将直接关系适当性管理工作的质量。兴业证券在客户适当性管理的实践中发现，单纯依靠传统基于问卷测试的客户分类方法作为适当服务的依据具有一定的局限性，在一定程度上影响了适当性管理工作的水平。通过多年来的努力，兴业证券提出了创新的客户分类方法，该方法是结合客户风险承受能力和风险偏好评估结果而认定得出客户综合风险特征的方法，将明显提高客户分类的准确性和有效性，从而为适当性管理工作提供科学依据，进一步促进适当性管理工作水平的提升；该方法是对关于加强证券经纪业务管理的规定适当性管理工作要求的具体落实，也丰富了投资者适当性管理的内容和手段。2、客户分类方法创新项目内容客户分类方法创新项目内容（一）客户分类方法
3、与服务流程（一）客户分类方法与服务流程兴业证券提出的客户分类方法，是一种过程化的客户综合风险特征分类方法。一方面，依据风险测试问卷和充分的客户沟通，了解客户的风险承受能力状况；另一方面，通过跟踪客户历史交易数据，运用数据挖掘技术进行客户交易行为分析，动态获取客户在实际交易过程中的风险偏好状况。根据风险承受能力、风险偏好，结合与客户沟通的结果，进行综合风险特征认定，并以此为依据向客户提供适当的服务。客户分类工作中采用的方法与流程如下图所示：图 1：兴业证券客户分类工作流程1.问卷测试与客户风险承受能力分析问卷测试与客户风险承受能力分析1）问卷设计过程兴业证券在问卷设计过程中一方面参考各著名券商和
4、研究机构的成果，另一方面采用科学的方法，按照严格的测试和检验流程来设计问卷，过程如下：参考美林证券、法兴银行、香港中文大学等投资或研究机构的问卷模板，对各问卷问题进行比较和精选；将精选问题通过本地化、通俗化改造，生成测试问卷 V1，使得问卷内容更容易被客户理解，为题目设置初始分值；从与营业部联系较为密切、客户经理比较了解的客户中选取适量样本，分为测试组和检验组，由客户经理根据客户实际情况就其风险特征进行预评估；测试组填写风险测试问卷 V1，根据问卷得分与客户风险特征（预评估结果）的匹配情况来确定题目分值设定的合理性，根据题目得分相关性确定题目相关性，排除或合并高度相关的问题；根据对初次测试结果
5、的分析来调整测试问卷 V1，得到测试问卷 V2，使得测试组 V1测试结果与预评估结果高度匹配；检验组填写风险测试问卷 V2，检验 V2测试结果与客户风险特征预评估结果的匹配程度；调整测试问卷问题和分值分布，反复依照上述步骤进行测试、调整和检验，直到测试问卷 Vn的测试结果与测试问卷 Vn-1相比，与客户风险特征预评估结果的匹配度上无明显提升。2）测试流程客户可现场填写风险测试纸质问卷，由柜台人员录入相关系统；客户也可通过网站或网上交易系统进行电子版的风险测试，提交到相应系统中。问卷测试得出的风险承受能力分类会自动汇总到数据中心。3）问卷更新根据监管部门发布的各项新制度和要求以及现行问卷在客户服
6、务实践中的反馈，兴业证券自 2007 年以来已经做过四个版本的问卷更新。未来还将随着应用经验的积累和监管要求不断进行优化。2.风险偏好分析风险偏好分析风险偏好分析依托客户综合分析系统，利用数据仓库中的海量客户历史交易数据，采用聚类算法进行建模分析，获得客户的风险偏好分类。数据挖掘是从大量数据中挖掘事先未知而又有应用价值的模式并将其用于商业决策中的过程。其过程包括商业目标的建立、数据样本采集与分析、指标选择、算法选择、模型训练、结果检验、结果描述和业务应用等。利用数据挖掘方法产生的分类结果每个季度更新一次，自动汇总到数据中心。1）数据选取客户偏好细分模型的时间区间为三个月（客户操作风格与盈利能力
7、分析模型选取时间周期为 12 个月） ，即根据统计周期内客户的行为数据，对客户进行偏好分群，所以只需要汇总统计周期内的客户行为数据。为了更好地揭示客户偏好特征，选取了以下数据进行客户偏好分群模型分析，见下表：表 1：客户偏好细分模型分析指标偏好分析的角度字段名字段含义产品偏好kfsjj_sz_lj_gp_zzc股票型开放基金累计市值与累计资产的比值fbsjj_sz_lj_zzc 场内基金累计市值与累计资产的比值ag_sz_lj_cyb_zzc 创业板累计市值与累计资产的比值ST_GP_SZ_zzc ST 股票累计市值与累计资产的比值qz_jylzb 权证交易量与累计交易量的比值qz_sz_lj
8、_zzc 权证累计市值与累计资产比值xgsg_je_zzc 新股申购金额(*3 处理)与累计资产比值kfsjj_sz_lj_hb_zzc货币基金累计市值与累计资产比值kfsjj_sz_lj_zq_zzc债券型基金与累计资产比值zq_sz_lj_zzc 债券累计市值与累计资产比值ag_sz_lj_zzc A 股市值与累计资产比值bg_sz_lj_zzc B 股市值与累计资产比值kfsjj_sz_lj_gp_zsz股票型开放基金累计市值与累计总市值的比值fbsjj_sz_lj_zsz 场内基金累计市值与累计总市值的比值ag_sz_lj_cyb_zsz 创业板累计市值与累计总市值的比值ST_GP_S
9、Z_zsz ST 股票累计市值与累计总市值的比值qz_sz_lj_zsz 权证累计市值与累计总市值的比值xgsg_je_zsz 新股申购金额(*3 处理)与累计总市值的比值kfsjj_sz_lj_hb_zsz货币基金累计市值与累计总市值的比值kfsjj_sz_lj_zq_zsz债券型基金与累计总市值的比值zq_sz_lj_zsz 债券累计市值与累计总市值的比值ag_sz_lj_zsz A 股市值与累计总市值的比值bg_sz_lj_zsz B 股市值与累计总市值的比值交易时机偏好G_zsp_bl_M1如果成交价格=昨收盘,成交价格/昨收盘-1，取均值G_zsp_bl_M5如果成交价格=5 日均价
10、,成交价格/5 日均价-1，取均值G_zsp_bl_M10如果成交价格=10 日均价,成交价格/10 日均价-1，取均值G_zsp_bl_M20如果成交价格=20 日均价,成交价格/20 日均价-1，取均值操作风格与盈利能力KH_YKL近 12 个月盈亏率的波动KH_AGCCD近 12 个月仓度 A 股持KH_AGHSL近 12 个月 A 股换手率2）指标选择方法在上述指标中需要对模型训练需要的指标继续筛选，本方法采用了主成分分析的方法，目的是从原始的多个变量取若干线性组合，能尽可能多地保留原始变量中的信息。通过该方法也可以达到降维的目的，从而得到几个综合性的变量，即主成分，并且这种综合性的变
11、量对业务的解释性更好。以建立产品偏好挖掘模型为例，本方法利用主成分分析算法最终选取了 10 个新的综合性指标，指标的信息贡献如下表所示：表 2：主成分指标信息贡献主成分正贡献负贡献1股票型基金A 股2权证 3新股申购股票型基金 4ST 股票 5债券型基金、货币型基金 6创业板、B 股场内基金 7B 股创业板8创业板、封闭式基金 9债券 10货币型基金债券型基金通过 10 个新的综合性指标可以代表原有信息的 95%。3）数据挖掘模型客户偏好细分是一个聚类问题，常用的聚类方法有系统聚类法（分层聚类） 、非系统聚类法。尝试了上述不同的方法和技术，最终采用 k-Means 聚类方法建立最终模型。在训练
12、模型过程中，根据业务和模型的需要，本方法选择日均资产介于 1000 到 1000万元之间的客户做为样本进行分析。经过不断的尝试使用 2010 年 1-3 月份不同的指标（变量）和设置聚类群数目建立聚类模型，最终确立建立分为 18 群，并分别使用 4-6 月份的数据验证模型的稳定性，经检验以 3 个月为时间窗建立的模型稳定性较高。模型训练结果将数据分为 18 个类，各类别特征描述如下：表 3：聚类结果特征描述群体群名产品配置特征Class-1偏好新股申购客户平均约 70%以上资产用于新股申购运作Class-2偏好 A 股+B 股混合客户平均约 41%的 A 股，30%的 B 股Class-3A
13、股+ST 股票投资客户平均约 53%A 股及 28%ST 股票Class-4B 股客户平均约 87%的 B 股持仓比Class-5场内基金投资客户平均约 50%场内基金投资Class-6偏好 ST 股票投资客户平均约 78%的 ST 股票占比Class-7配置型客户平均约 30%A 股，31%场内基金，15 股票型开放基金Class-8偏好创业板客户平均约 67%的创业板占比，19%的 A 股占比Class-9股票型基金客户平均约 90%投资股票型基金Class10A 股+权证客户平均约 67%的 A 股市值占比，47%的权证交易量，19%的权证市值占比Class11混合型客户平均约 A 股占
14、比 25%，开放式基金 14%，新股申购8%，货币 2%Class12A 股客户平均约 82%的 A 股市值占比Class13权证客户+A 股票投资权证平均市值占比为 34%，权证交易量占比 61%，A股票平均持仓度 35%Class14权证客户平均市值占比为 71%，交易量占比 83%Class15场内基金投资客户平均约 90%场内基金投资Class16偏 A 股客户平均约 53 的 A 股配比，24 的创业板股票投资，3%新股申购Class17A 股客户平均约 60%投资 A 股，15%的场内基金配比，3%股票型开放式基金Class18债券投资为主平均债券型基金 80%，股票型基金 8%4
15、）数据挖掘结果为解决客户风险偏好与风险承受能力参照应用的问题，本方法在客户产品偏好细分、交易时机偏好和客户综合行为偏好的基础上，将客户的风险偏好划分为最高风险偏好、较高风险偏好、中等风险偏好、较低风险偏好、最低风险偏好五种类型。具体分类规则如下：表 4：聚类结果二次划分规则群体初步判断调整 1调整 2结果Class-1较低，得分 4 分Class-2中等，得分 3 分Class-3较高，得分 2 分Class-4中等，得分 3 分Class-5中等，得分 3 分Class-6最高，得分 1 分Class-7中等，得分 3 分Class-8较高，得分 2 分Class-9较高，得分 2 分Cla
16、ss-10最高，得分 1 分Class-11货币基金占比最高，得分 5 分。其次新股申购，得分 4 分,其他为 3 分Class-12中等，得分 3 分Class-13最高，得分 1 分Class-14最高，得分 1 分Class-15中等，得分 3 分Class-16较高，得分 2 分Class-17中等，得分 3 分Class-18最低，得分 5 分根据客户交易时机偏好分析进一步细分,调整规则为群 3进行扣减 2 分处理,群 4 进行扣减 1 分处理,群 2 和群 1 不进行调整.客户操作风格与盈利能力分析进一步细分,对群 1 和 2,进行扣减 2,对于群 3 进行扣减 1,对于群 4 不做调整,对于群 5 进行加1.根据最后的分数评定结果:=5 最低3.综合风险特征认定综合风险特征认定客户经理工作平台每日从柜台系统中导入最新的风险问卷测试数据，每季度自动从客户综合分析系统读取更新的风险偏好
