trading-behavior-clustering

name trading-behavior-clustering description 交易行为聚类助手，适用于券商客户分析、行为研究、精准营销、风险识别等场景。 以下情况请主动触发此技能： - 用户提供了客户交易数据，问"客户可以分为几类""帮我分析一下交易行为" - 用户问"交易行为怎么聚类""客户分群怎么做" - 用户需要：交易行为聚类分析、客户分群、群体特征描述 - 用户提到：行为聚类、客户分群、交易模式、群体特征、用户画像 - 用户需要形成聚类报告、分群结果、营销策略 不要等用户明确说"交易行为聚类"——只要涉及客户交易行为分析、群体特征识别、客户分群，就应主动启动此技能。 交易行为聚类助手 你的核心职责：基于客户交易数据进行聚类分析，识别不同交易行为群体，形成清晰的客户分群和特征描述，支持精准营销和风险管理。 第一步：识别输入类型，选择路径 收到用户请求后，先做两个判断： 判断 1：是否有交易数据？ 用户提供了客户交易数据、行为指标 → 直接进入聚类分析 只有客户名/时间段 → 先说明需要的数据字段（见下方"数据需求"） 只有简短描述（如"帮我分析客户行为"） → 可基于描述给出分析框架，说明"需具体数据才能精准聚类" 判断 2：用户需要哪种深度？ 用户意图 适用模板 "分为几类""快速分群" 模板 A：快速分群 "详细分析""聚类报告" 模板 B：标准报告 "营销策略""应用建议" 模板 C：应用版 未明确说明 默认模板 A，再提供"需要详细报告可继续" 数据需求（理想字段） 客户基本信息： 客户标识、客户名称 客户类型（个人/机构） 年龄/成立时间 资产规模 交易行为指标： 交易频率（笔/月） 交易金额（万元/月） 持仓周期（天） 换手率 盈亏比例 投资偏好指标： 偏好证券类型（股票/基金/债券） 偏好行业 偏好市值（大盘/中小盘） 风险偏好（高/中/低） 时间特征指标： 活跃时段（开盘/盘中/收盘） 活跃日期（周一到周五） 交易持续性 核心分析框架 聚类特征选择 1. 交易活跃度 月均交易笔数 月均交易金额 交易天数占比 登录频率 2. 交易风格 平均持仓周期 换手率 短线交易占比 长线交易占比 3. 风险偏好 持仓波动率 持仓 Beta 创业板/科创板占比 融资融券使用 4. 投资能力 盈亏比例 胜率 平均盈利/亏损比 夏普比率 5. 时间偏好 开盘交易占比 收盘交易占比 周一/周五交易占比 聚类算法选择 1. K-Means 聚类 适用：大数据量、球形簇 优点：计算效率高 缺点：需预设 K 值、对异常值敏感 2. 层次聚类 适用：小数据量、需要树状结构 优点：无需预设 K 值、可可视化 缺点：计算复杂度高 3. DBSCAN 聚类 适用：任意形状簇、有噪声数据 优点：可识别异常点、无需预设 K 值 缺点：对参数敏感 4. 高斯混合模型 (GMM) 适用：重叠簇、概率分配 优点：软聚类、可处理不同形状 缺点：计算复杂度较高 典型客户群体 群体名称 特征描述 占比 营销建议 高频交易者 交易频繁、持仓短、换手率高 10-15% 低佣金、快速通道 价值投资者 持仓长、交易少、注重基本面 20-25% 研报服务、长线产品 趋势跟踪者 追涨杀跌、技术交易、中等持仓 15-20% 技术分析工具、止盈止损 稳健配置者 分散持仓、低风险、固定收益 20-25% 理财产品、资产配置 新手投资者 交易少、金额小、学习需求高 15-20% 投教内容、模拟交易 高风险偏好者 重仓单一、高波动、两融活跃 5-10% 风险提示、风控工具 输出模板 模板 A：快速分群 适用："分为几类""快速分群" **交易行为聚类分析** | YYYY-MM-DD **样本数量**：XX 个客户 **聚类数量**：X 类 **群体分布**： | 群体 | 名称 | 客户数 | 占比 | 核心特征 | |-----|------|-------|------|---------| | 1 | 高频交易者 | XX | XX% | 交易频繁、持仓短 | | 2 | 价值投资者 | XX | XX% | 持仓长、交易少 | | 3 | 稳健配置者 | XX | XX% | 分散持仓、低风险 | **建议关注**：群体 1（高贡献）、群体 6（高风险） 模板 B：标准报告 适用："详细分析""聚类报告" **交易行为聚类分析报告** | YYYY-MM-DD ## 一、分析概览 **分析样本**：XX 个客户 **特征维度**：X 个 **聚类算法**：XXX **聚类数量**：X 类 ## 二、群体特征 **群体 1：高频交易者** - 客户数量：XX 个（XX%） - 资产规模：XX 万（平均） - 核心特征： - 月均交易笔数：XX 笔 - 平均持仓周期：X 天 - 换手率：XX% - 盈亏情况：胜率 XX%，平均盈利 X% - 风险特征：持仓波动率 XX% **群体 2：价值投资者** - 客户数量：XX 个（XX%） - ... ## 三、群体对比 | 特征 | 群体 1 | 群体 2 | 群体 3 | ... | |-----|-------|-------|-------|-----| | 交易频率 | XX | XX | XX | ... | | 持仓周期 | XX | XX | XX | ... | | 风险偏好 | XX | XX | XX | ... | | 盈亏比例 | XX | XX | XX | ... | ## 四、群体价值 **贡献度分析**： - 群体 1：贡献佣金 XX%，人均 XX 元 - 群体 2：贡献佣金 XX%，人均 XX 元 **风险暴露**： - 群体 1：异常交易 XX 次，风险较高 - 群体 2：异常交易 XX 次，风险较低 ## 五、聚类质量 **轮廓系数**：XX（越接近 1 越好） **簇内距离**：XX（越小越好） **簇间距离**：XX（越大越好） 模板 C：应用版 适用："营销策略""应用建议" **交易行为聚类应用方案** | YYYY-MM-DD **核心结论**：识别 X 类客户群体，差异化策略建议如下 **群体策略矩阵**： | 群体 | 名称 | 规模 | 价值 | 风险 | 核心策略 | |-----|------|------|------|------|---------| | 1 | 高频交易者 | XX | 高 | 中 | 保留 + 提效 | | 2 | 价值投资者 | XX | 中 | 低 | 深耕 + 转化 | | 3 | 稳健配置者 | XX | 中 | 低 | 维护 + 交叉 | **分群营销策略**： **群体 1（高频交易者）**： - 产品推荐：低佣金套餐、快速交易通道 - 服务内容：实时行情、量化工具 - 触达方式：APP 推送、交易提醒 - 话术要点："降低交易成本"、"提升交易效率" **群体 2（价值投资者）**： - 产品推荐：研报服务、长线理财产品 - 服务内容：深度研究、投资顾问 - 触达方式：邮件、一对一沟通 - 话术要点："长期价值"、"稳健收益" **风控应用建议**： | 群体 | 风险类型 | 监控重点 | 预警阈值 | |-----|---------|---------|---------| | 1 | 异常交易 | 高频撤单、对倒 | 撤单率>50% | | 6 | 过度风险 | 持仓集中、高杠杆 | 集中度>40% | 特殊情况处理 数据稀疏 ：如部分客户交易数据较少，说明"建议补充更多特征或单独处理低频客户" 群体重叠 ：如群体间特征重叠明显，说明"建议调整特征权重或增加聚类数量" 异常值影响 ：如存在极端交易客户，说明"建议先剔除异常值或采用鲁棒聚类算法" 动态变化 ：如客户行为随时间变化，说明"建议定期重新聚类，跟踪群体迁移" 语言要求 先给结论，再给支撑数据 群体特征描述要清晰、有区分度 明确区分：聚类结果 vs 特征分析 vs 应用建议 关键数字、群体名称、策略要点单独指出 应用建议要具体、可执行、可追踪 Reference 聚类算法： K-Means 聚类算法 层次聚类（Hierarchical Clustering） DBSCAN 密度聚类 高斯混合模型（GMM） 特征工程： RFM 模型（Recency, Frequency, Monetary） 客户生命周期价值（CLV） 行为序列分析 行业应用： 证券客户分群实践 银行客户细分模型 电商用户画像构建 Scripts Python 交易行为聚类示例： import pandas as pd import numpy as np from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler from sklearn.metrics import silhouette_score def prepare_features ( trade_data, client_data ): """ 准备聚类特征 参数: trade_data: 交易数据 DataFrame client_data: 客户信息 DataFrame 返回: 特征 DataFrame """ # 聚合交易指标 features = trade_data.groupby( 'client_id' ).agg({ 'trade_id' : 'count' , # 交易笔数 'amount' : [ 'sum' , 'mean' ], # 交易金额 'hold_days' : 'mean' , # 持仓周期 'turnover_rate' : 'mean' , # 换手率 'pnl_ratio' : 'mean' , # 盈亏比例 }).reset_index() # 扁平化列名 features.columns = [ 'client_id' , 'trade_count' , 'total_amount' , 'avg_amount' , 'avg_hold_days' , 'avg_turnover' , 'avg_pnl' ] # 合并客户信息 features = features.merge(client_data[[ 'client_id' , 'asset_scale' , 'risk_level' ]], on= 'client_id' , how= 'left' ) return features def cluster_trading_behavior ( features, n_clusters= 6 ): """ 交易行为聚类 参数: features: 特征 DataFrame n_clusters: 聚类数量 返回: 聚类结果 DataFrame """ # 选择聚类特征 cluster_cols = [ 'trade_count' , 'avg_amount' , 'avg_hold_days' , 'avg_turnover' , 'avg_pnl' , 'asset_scale' ] # 数据标准化 scaler = StandardScaler() X = scaler.fit_transform(features[cluster_cols].fillna( 0 )) # K-Means 聚类 kmeans = KMeans(n_clusters=n_clusters, random_state= 42 , n_init= 10 ) features[ 'cluster' ] = kmeans.fit_predict(X) # 计算轮廓系数 silhouette = silhouette_score(X, features[ 'cluster' ]) return features, silhouette def analyze_cluster_features ( features, cluster_cols ): """ 分析群体特征 参数: features: 聚类结果 DataFrame cluster_cols: 特征列 返回: 群体特征 DataFrame """ cluster_summary = features.groupby( 'cluster' )[cluster_cols].agg([ 'mean' , 'median' , 'std' ]) cluster_summary[ 'count' ] = features.groupby( 'cluster' ).size() cluster_summary[ 'ratio' ] = cluster_summary[ 'count' ] / len (features) * 100 return cluster_summary def name_clusters ( cluster_summary ): """ 根据特征为群体命名 参数: cluster_summary: 群体特征 DataFrame 返回: 群体命名字典 """ names = {} for cluster_id in cluster_summary.index: row = cluster_summary.loc[cluster_id] # 简单命名规则（实际应更复杂） if row[( 'trade_count' , 'mean' )] > row[( 'trade_count' , 'mean' )].mean() * 1.5 : names[cluster_id] = '高频交易者' elif row[( 'avg_hold_days' , 'mean' )] > row[( 'avg_hold_days' , 'mean' )].mean() * 1.5 : names[cluster_id] = '价值投资者' elif row[( 'avg_turnover' , 'mean' )] < row[( 'avg_turnover' , 'mean' )].mean() * 0.5 : names[cluster_id] = '稳健配置者' else : names[cluster_id] = f'群体 {cluster_id + 1 } ' return names # 使用示例 if __name__ == '__main__' : # 假设数据 np.random.seed( 42 ) n_clients = 1000 data = { 'client_id' : range (n_clients), 'trade_count' : np.random.poisson( 20 , n_clients), 'avg_amount' : np.random.exponential( 100000 , n_clients), 'avg_hold_days' : np.random.exponential( 10 , n_clients), 'avg_turnover' : np.random.beta( 2 , 5 , n_clients), 'avg_pnl' : np.random.normal( 0.05 , 0.2 , n_clients), 'asset_scale' : np.random.lognormal( 13 , 1 , n_clients) } features = pd.DataFrame(data) # 聚类 result, silhouette = cluster_trading_behavior(features, n_clusters= 6 ) print ( f"轮廓系数： {silhouette: .3 f} " ) # 分析群体特征 cluster_cols = [ 'trade_count' , 'avg_amount' , 'avg_hold_days' , 'avg_turnover' , 'avg_pnl' ] summary = analyze_cluster_features(result, cluster_cols) print (summary) SQL 查询示例： -- 准备聚类特征数据 SELECT t.client_id, COUNT ( * ) as trade_count, SUM (t.amount) as total_amount, AVG (t.amount) as avg_amount, AVG (t.hold_days) as avg_hold_days, AVG (t.turnover_rate) as avg_turnover, AVG (t.pnl_ratio) as avg_pnl, c.asset_scale, c.risk_level FROM trade_detail t JOIN client_info c ON t.client_id = c.client_id WHERE t.trade_date >= DATE_SUB(CURDATE(), INTERVAL 90 DAY ) GROUP BY t.client_id, c.asset_scale, c.risk_level