外汇现金需求预测：机器学习驱动的银行分行级多货币智能调度系统

本项目为尼日利亚银行构建了一个多币种外汇现金需求预测系统，使用机器学习技术预测美元、英镑和欧元在分行级别的每日净现金流，旨在解决传统人工预测的局限，优化现金配送和资本配置效率。项目覆盖数据构建、特征工程、模型选择到业务应用的完整流程，为金融运营优化提供参考框架。

外汇现金管理对尼日利亚等新兴市场银行是复杂挑战。传统人工预测依赖直觉和电子表格平均值，无法捕捉复杂因素交互。核心问题是准确预测各分行次日外币现金交付/撤离量，直接影响运营效率、客户满意度和资本利用率。 银行面临双重困境：现金不足导致客户流失，过剩占用非生息资本。尼日利亚市场特殊性包括：多币种并行（USD/GBP/EUR需求模式不同）、分行差异显著、季节性波动（发薪周/月末/假期）、汇率影响、人工预测局限。

项目使用合成数据集模拟尼日利亚银行外汇交易统计特性，覆盖2022.1-2026.3工作日数据（排除周末/假期），USD分行253个、GBP/EUR各153个，共598130条记录。交易金额按面值标准化（USD100倍数、GBP/EUR50倍数）。 核心特征包括：滞后与滚动特征（捕捉短期动量、周/月度周期）、日历特征（星期几、月末/季末、发薪周、汇率回报）、假期特征（尼日利亚假期前后标记及距离）。同时注重数据泄露防护，仅使用前日数据、提前已知的日历/假期特征和前一日汇率回报。

评估了多种模型（泄露安全随机森林、幅度加权RF、Huber梯度提升等），最终选择Huber GBR（对峰值日鲁棒）。分行级策略：数据充足的分行用混合模型或幅度加权RF，稀疏数据分行回退到全局模型。 性能表现：USD用鲁棒Huber GBR（WAPE0.3238、MAE901.51、R²0.8363）；EUR/GBP均用Huber GBR（EUR WAPE0.4083、MAE550.08、R²0.7729；GBP WAPE0.4625、MAE545.94、R²0.7415）。主要指标为WAPE，美元模型因数据丰富表现最优。

预测误差最大的日期集中在月末、季末和假期前（如年末12.31、3.31），这些日期客户行为受外部因素（薪资、监管、旅行）驱动，历史平均值难以预测。发薪周特征（月末前10天）是强效预测因子。标准随机森林在极端需求日表现差，因优化平均误差而非峰值日准确性，幅度加权和Huber损失解决此问题。

模型生成7天前瞻预测（2026.4.7-13），输出各分行每日预测净现金流以驱动调度。运营优化包括：优化配送路线降低物流成本、减少资金占用、提升高需求日服务水平、为管理层提供决策支持。

技术亮点：多币种复用架构（USD管道复用至GBP/EUR）、合成数据生成（无真实数据时的方法论价值）。结语：项目提供完整技术解决方案，展示ML在金融运营优化的价值，其数据泄露防护、业务周期挖掘、模型鲁棒性追求体现工程严谨性，可为其他金融机构提供参考。