邮储银行基于机器学习技术构建财务指标预测模型体系

来源：市场资讯

（来源：中国金融电脑）

作者

中国邮政储蓄银行 单睿枫 郑辉 吴正己 余婧 伍倩倩

为加快数字化转型进程，提升精细化管理水平，准确把握经营趋势脉络，邮储银行利用机器学习技术构建了财务经营指标预测模型体系，并在自主研发的财务新核心系统中落地，将财务预测从原本静态的、周期性的管理动作，转变为动态的、可实时迭代的决策支持系统，实现了从“事后解释”到“事前预判”的关键跨越，标志着邮储银行在财务经营管理智能化领域取得新的突破。

一、背景和动机

1.强化金融科技融合，推动高质量发展

《金融科技发展规划(2022—2025年)》中明确提出，以加快推进金融机构数字化转型为主线，从健全科技治理体系、夯实数字基础底座、加强技术创新引领、激活数字化经营动能等方面精准发力，加快健全适应数字经济发展的现代金融体系。为此，邮储银行高度重视，并积极布局，主动利用创新科技手段解决财务管理领域的难点和痛点问题，高质量推动财务管理领域数字化转型。

2.利用创新技术寻找破局关键

邮储银行“自营+代理”的独特模式，在带来庞大而稳定的负债来源的同时，也使得核心负债端管理面临挑战。传统基于总量和趋势外推的预测方法，难以穿透表层数据精准解析不同地区、不同渠道资金流动的真实驱动因素，更无法前瞻性地捕捉因局部因素引发的全局性波动。同时，中间业务等非息收入正在成为邮储银行收入实现的另一重要增长极，其增长逻辑与传统存贷业务相比，更依赖于客户资产规模、产品竞争力及市场活跃度等核心变量。因此，结合当前金融市场环境和邮储银行独特的发展特点，构建精细化的财务经营指标预测模型体系是克服经济运行中的下行压力、实现逆周期增长的破局之道。

3.深化财务数字化转型，打造数智化优势

邮储银行高度重视数字金融建设，主动求变，将数字金融大文章落到实处，开展财务数字化转型实践，实现财务职能从降本提效到决策支持的价值跃迁，这对引入更全面的数据维度、更科学的预测模型、更准确的测算逻辑、更系统的指标体系提出了迫切需求。通过与金融科技的深度融合，邮储银行形成了一套财务指标体系的科学预测方法。

二、整体实施思路

1.业技深度融合，发挥数据与模型的最大价值

银行财务经营类指标具有影响机制复杂、产品种类及科目繁多、难以量化的变量多、会受到突发事件干扰等特点。因此，在建模过程中，需在精准识别财务数据与业务的量、价、险、费及战略导向等内在关联的基础上，兼顾模型的准确性、可解释性和鲁棒性。

在模型设计思路上，邮储银行从经济学理论出发，基于预测主体的影响机制和市场传导机制，并引入贝叶斯与因果推断算法，因地制宜选取变量与建模方法；同时将难以量化的业务经验作为先验知识输入模型，在追求准确性的同时，最大限度地还原预测目标自身的运行逻辑。这一机制使模型成为从业务经验到最终预测结果的转化器，有效弥补了传统预算中单纯依赖专家经验而缺乏量化工具的短板。此外，在模型选型上，邮储银行充分考虑到监管合规要求和业务实际需求，摒弃复杂黑盒模型结构，利用历史数据去构造模型参数分布而非直接拟合参数，确保模型的强解释性与可调控性。

2.结合统计推断，增强模型抗干扰能力

银行财务经营类指标作为政策和市场情绪共同作用的结果，国内及行内相关政策的发布往往会引发数据的剧烈波动。因此，如何在训练时防止模型过多关注异常数据造成过拟合，同时在结果预测时具备一定的泛化能力，成为银行建模面临的核心挑战之一。

目前，时序预测领域主要有深度学习类与统计推断类两类解决方案。深度学习类解决方案通过矩阵间的交叉运算对变量进行“暴力拟合”，虽然在某些场景下会获得较为不错的效果，但是当数据存在突发的异常趋势时，模型往往会由于过多关注这部分趋势而造成过拟合。邮储银行财务经营指标预测模型采用更为传统的统计推断类解决方案，结合过往的数据变动趋势，限制预测值的波动幅度。这使得模型能更专注于捕捉数据的时序信息而非残差，从而识别出所预测变量的主要趋势。同时，通过对模型参数构造统计分布，模型可以输出预测结果的置信区间。在实际应用中，结合业务经验与行内政策，模型可以更好地对最终结果的制定进行研判，增强结果的抗干扰程度，提升泛化能力。邮储银行财务经营指标预测模型实施方案如图1所示。

3.架构设计灵活，支持多场景应用

银行业财务经营指标的应用往往涉及多个场景，包括年度预算、月度滚动预测、资金规划、政策场景变动测算、预算预警、预实分析、归因分析等。在产品维度上，各产品影响机制不同，所受财政货币政策、资本市场、同业竞争影响也不尽相同；在机构维度上，需要包含全行及一级分行，并统筹考虑各合并报表内子公司经营情况。因此，面对多元复杂的应用场景，单一的模型结构已经难以满足银行业务的差异化需求。

借鉴当下主流时序预测理论并结合自身实际情况，邮储银行设计了“1+36”复合体系架构。其中，“1”代表全行预测，结合全量数据在统计学上更符合大数定律和中心极限定理的优势，模型设计更侧重于利用历史数据自身来拟合模型参数；“36”代表36家一级分行预测，每一家分行自身发展情况不同，受市场冲击所做出的反应也不同，所以采用分别建模的方式，捕捉各分行受区域经济、市场结构及自身发展策略影响的个体效应与异质性。在此基础上，邮储银行引入分层贝叶斯先验机制，在允许模型充分学习各分行独特规律的同时，避免其对个别分行的噪声或短期波动过度拟合，从而在个体精度与整体稳健性之间取得最佳平衡。除此之外，邮储银行还充分考虑模型预测精度与所消耗资源间的关系，力求在消耗较少资源的情况下使模型预测结果仍能维持较高的准确性。

三、现阶段成果

及未来方向

1.科技赋能，为财务精细化管理提供新方式

在数字经济纵深发展与国家金融科技战略的双重驱动下，以数据为核心的科技赋能成为商业银行实现精细化管理和前瞻性决策的核心引擎。当前，邮储银行自研的财务经营指标预测模型已应用于2025年、2026年全年预算和每月滚动预测，并引入贷款净增规模及定价预测模型、存款结构预测模型、中收规模预测模型，为预算编制提供参考数据。基于2025年预测结果进行回测，财务经营指标预测模型的预测精度表现优异：重点产品存贷款利率误差可控制在5bp以内，为息差管理提供了极为可靠的定价锚点；存款增量可控制在百亿元以内、贷款增量可控制在50亿元以内，显著提升了资产负债配置的前瞻性与主动性；中收规模误差偏离度可控制在10%以内。综合来看，财务经营指标预测模型在关键财务指标上的预测准确率较人工判断准确率实现显著提升。

同时，坚持以实践作为检验成效的唯一标准，邮储银行在建模过程中不仅培养了懂业务、精技术的复合型人才，更实现了关键技术的自主可控，为全行资金与精细化管理领域数字化转型奠定了坚实基础。

2.成果落地，银行预算工作开启新篇章

邮储银行财务经营指标预测模型的构建，并非单纯的算法堆砌，而是以技术驱动业务的深度实践。依托邮储银行新一代财务新核心系统，深度融合大数据、人工智能等技术，所有模型预测结果已实现按月频方式更新至系统界面。系统不仅具备历史数据回溯、过往模型表现监控、下一月结果预测、当年结果预测和下一年结果预测等功能，还支持按旬滚动测算、中收因子自动测算以及政策情景模拟等，显著提升了测算效率与准确性。这一变革真正改变了银行预算工作模式，在大幅减少工作量的同时，提升了业务人员对相关指标未来走势的判断能力，开启了银行精细化管理的新篇章。

3.未来展望

站在“十五五”规划开局的新起点，邮储银行将持续利用创新科技手段赋能精细化管理，继续深化数据治理，推动数据资产在更广领域、更深层次释放价值，并积极探索人工智能、大模型等前沿技术与财务预测的深度融合，推动财务经营指标预测模型从精准的测算工具升级为具备前瞻洞察与策略推演能力的智慧中枢，驱动财务管理向价值创造中心跃迁；同时围绕金融“五篇大文章”与国家重大战略布局，持续完善财务指标测算模型，支持更灵活的滚动预测、目标推送和预警监测，全面提升测算模型的科学性。

展望未来，邮储银行将以更加开放的姿态拥抱智能革命，推动数智技术在战略规划、资源配置与金融市场等核心管理场景发挥更大效能；构建更加智能的金融指标预测系统，致力于在复杂多变的经济金融环境中，为国家宏观政策的精准传导与银行自身的高质量发展提供更加坚实、敏捷的数字化支撑，在新时代金融强国建设的宏伟征程中奋楫争先、铸就华章。

本文刊于《中国金融电脑》2026年第4期

特别提示

《中国金融电脑》杂志不收取作者版面费用，不会以所谓的“本刊代理/编辑部”或“发表定金”“手续费”等名义收取费用。购刊收款账户为对公账户，请勿对任何个人账户汇款。另，本刊开具发票不收取任何额外费用。如有异常，请作者立即与本刊编辑部查证核实，以免给自身造成风险或损失。

本刊编辑部联系方式：

010-51915111-816

投稿邮箱：

fcc@fcc.com.cn

市场合作：

010-51915111-813

010-51915111-812

010-51915111-826