国家在2017年7月颁布《新一代人工智能发展规划》白皮书的政策,促使人工智能的发展被列入国家战略层面。金融科技,作为“人工智能”、“大数据”主题下的重要应用已备受关注。金融公司的核心挑战是最大化商业利润,与此同时降低投资风险。考虑流动性风险与流动性盈余为公司投资策略中最主要的因素时,提出一种关于资金流量预测的方案,在金融产品的风控方面有非常值得称道的作用。传统的资金预测多使用定性的方式理论指导,主观性较强且泛化能力弱;传统通过定量预测的方法采用了较为简单的线性模型,虽一定程度提升了模型的科学依据,但是预测精度较差,理论基础相对薄弱。本文在研究丰富金融理论进行定性讨论的基础上,对280万的余额宝用户申购赎回操作数据建立定量模型。通过较为传统的线性模型YEB_ARIMA与隶属人工智能、深度学习领域的YEB_LSTM模型对于余额宝资金流量进行预测。此外,通过线性方法与逻辑回归学习法对原始弱分类器进行集成学习,得到了YEB_Hybrid模型,在申购与赎回数据集分别取得了84.39%与84.36%的预测精度。最后根据资金预测的结果,给出了资金预留比例的建议。该大数据模型在多种评价指标下表现优良,一定程度超越了同类的余额宝资金流量预测方法。论文主要从如下几个方面进行研究与创新:第一、为了能够更为准确地预测余额宝的资金流量,首先观察由阿里旗下蚂蚁金服官方提供的余额宝申购与赎回数据集,结合时间序列理论进行分析。在获取数据集特征后,进一步建立准确的模型。第二、定性结合定量,线性结合非线性。通过大量的理论背景定性分析,结合多种建模方法对时间序列定量研究。针对数据集定量建模时,本文通过线性与非线性两种模型,从不同角度观测数据特性。线性方法采用YEB_ARIMA自回归滑动平均模型,根据ACF与PACF参数情况为模型选择合适的参数,并使用参数调优的方法选取最优模型阶数。非线性方法采用当下流行的YEB_LSTM长短期记忆神经网络,并进行网络设计达到较好预测效果。第三、引入集成学习,将线性模型YEB_ARIMA与非线性模型YEB_LSTM使用线性结合和学习法进行融合,得到一个更高水准的预测模型YEB_Hybrid。从不同角度观测余额宝申赎数据,提升预测效果。第四、通过多种指标评估模型效果,提升模型可靠度。本文所建立的模型通过噪声特性检验、Ljung-Box Q-test相关性检验与误差计算指标三种方式进行测试,并与同类实验的建模结果进行对比。经过验证可知,本文所提出的余额宝预测算法可行有效,能够较为准确地对于余额宝的申购赎回资金量进行预测。本文贯彻了“技术为智,应用为王”的思想,依赖于人工智能与大数据,开拓新技术在金融理财领域的应用场景。将智能金融切实落实到日常生活中,为未来的商业发展提供全新动力。第五、在较为准确的预测余额宝每日的资金流量基础上,计算了每日资金预留比例,并且在全面的理论基础上提出风险控制方案。将Fintech落实到应用,为人工智能与金融结合的应用贡献自己的力量。