【摘要】：股票指數(shù)是一個非線性的動態(tài)時間序列,它具有高波動、低穩(wěn)定、噪聲大、易受外界因素干擾等特性,這些特性使得股票指數(shù)準確預測成為一個非常有挑戰(zhàn)性的問題。研究發(fā)現(xiàn)股票指數(shù)基礎數(shù)據(jù)特征間存在多重共線性與噪音干擾等問題,這些問題往往導致股票指數(shù)預測模型精度的嚴重下降;此外,研究還顯示不同結(jié)構(gòu)的機器學習模型性能存在較大差異性,這些差異性導致不同模型在同一支股票指數(shù)預測中的表現(xiàn)大相徑庭。本文在股票指數(shù)價格短時預測的問題中,針對輸入特征與預測模型這兩種對股票指數(shù)預測影響最大的因素,分別提出了基于Xgboost模型的特征生成方法及動態(tài)加權(quán)集成學習模型。本文的主要研究內(nèi)容如下:(1)基于Xgboost模型的特征生成方法研究。研究發(fā)現(xiàn)輸入特征對股票指數(shù)預測模型的性能具有重大影響�，F(xiàn)有特征選擇與特征提取方法在利用基礎數(shù)據(jù)信息方面存在著部分丟失與不充分的問題。本文在研究中發(fā)現(xiàn)Xgboost模型將股票指數(shù)基礎數(shù)據(jù)特征投影到葉子節(jié)點所表示的高維空間的過程中,葉子節(jié)點是否參與表達對預測性能具有重要影響。本文僅提取樣本在Xgboot中參與表達的葉子節(jié)點信息,對其進行one-hot編碼通過將參與表達葉子節(jié)點映射到高維空間中提高該特征的表達能力。將編碼后特征與樣本原始特征組合作為最終的輸入特征。實驗結(jié)果表明,該方法生成的組合特征可以有效的提高股票指數(shù)回歸預測的精度。(2)基于動態(tài)加權(quán)集成學習的股票指數(shù)回歸預測方法研究。研究發(fā)現(xiàn)預測模型對股票指數(shù)的預測同樣具有重大影響。傳統(tǒng)的集成學習模型在股票指數(shù)回歸預測中,存在忽略基礎學習器性能的貢獻度,對高性能的基礎分類器利用有限等問題。由于基礎分類器間結(jié)構(gòu)各不相同,導致其在不同股票指數(shù)預測中表現(xiàn)各異。本文在研究中發(fā)現(xiàn)基礎分類器間存在一定程度的互補性,通過動態(tài)加權(quán)的方式對不同結(jié)構(gòu)的基礎分類器進行組合,可以合理的利用互補性提高高性能分類器的貢獻度�；诖搜芯勘疚奶岢隽诉m用于股票指數(shù)預測的動態(tài)加權(quán)集成學習模型。實驗結(jié)果表明,本文提出的動態(tài)加權(quán)集成學習模型同單一預測模型相比精確度更高,且適用于不同股票指數(shù)的回歸預測。
【學位授予單位】：河南大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：F832.51;TP181
【圖文】：

圖 2-2 Stacking 算法框架圖Boosting 被認為是機器學習文獻中最重要的集成學習方法之一，廣泛應用于歸的多個實際應用中。Boosting 作為一種集成學習方法，結(jié)合了多個并行運算法，構(gòu)建了最終的強性能算法。Boosting 結(jié)合了多個并行運行的弱執(zhí)行算

但適用于更一般的一類學習問題。Boosting 算法的框架圖如圖 2-3 所示：圖 2-3 Boosting 算法框架圖2.3 實驗設置及評估指標目前，國內(nèi)市場流通的證券種類繁多，股票的群體十分龐大，僅就我國 A 股市場而言，上證、深證兩個交易市場的股票就有近三千支。若構(gòu)建以個股數(shù)據(jù)為主的數(shù)據(jù)集，則需面臨可選擇樣本種類繁多，數(shù)據(jù)面選擇寬泛等問題。這一現(xiàn)狀不利于本課題進行有效的研究，為了構(gòu)建綜合性更強且能夠反應整體市場行情及走向的股票數(shù)據(jù)，本課題使用股票指數(shù)數(shù)據(jù)作為實驗研究對象，并通過 Tushare 財經(jīng)數(shù)據(jù)接口包獲取所需要的實驗數(shù)據(jù)。本中獲取指數(shù)數(shù)據(jù)結(jié)構(gòu)如表 2-1 所示：

【參考文獻】

相關(guān)碩士學位論文 前5條

1 伯毅;基于XGBoost模型的短期股票預測[D];哈爾濱工業(yè)大學;2018年

2 鄒玉江;基于機器學習的滬深300指數(shù)走勢預測研究[D];山東大學;2018年

3 毛景慧;基于LSTM深度神經(jīng)網(wǎng)絡的股市時間序列預測精度的影響因素研究[D];暨南大學;2017年

4 吳少聰;基于混合模型的股票趨勢預測方法研究[D];哈爾濱工業(yè)大學;2017年

5 孫瑞奇;基于LSTM神經(jīng)網(wǎng)絡的美股股指價格趨勢預測模型的研究[D];首都經(jīng)濟貿(mào)易大學;2016年

本文編號：2714071