【摘要】：隨著大數據方法的廣泛應用和量化投資的蓬勃發(fā)展,越來越多的專家和學者試著將大數據方法與股票市場預測結合起來,而指數走勢預測無疑是最有實際意義的分析課題,不僅能用于市場大勢研判,還有便捷的套利方式。從實際操作的角度來看,大量研究表明,集成類算法在金融市場預測方面的表現(xiàn)顯著優(yōu)于單一分類器的預測表現(xiàn)。但目前大多數基于集成算法的指數走勢預測研究往往只關注技術指標,而忽視了各國股票市場之間的聯(lián)動作用以及各大類資產之間的影響。本文除常用技術指標外,還將主要國際指數、期貨與現(xiàn)貨的基差、利率市場、匯率等多種指標納入滬深300指數特征,在此基礎上建立隨機森林模型,進而進行指數預測。另一方面,通常認為股價走勢由長期趨勢和短期擾動共同構成,短期擾動的不確定性無疑給股價走勢預測增加了難度。有的研究中采用均線來描述長期趨勢,但這樣做的問題在于均線有一定的滯后性。本文借用信號處理中常用的小波去噪方法來濾除短期擾動,使長期趨勢得以體現(xiàn),將小波去噪后的指數走勢作為隨機森林的特征之一。文章首先介紹了小波去噪和隨機森林算法的理論基礎,然后選取了5大類,共計30個指標來訓練模型。并在300個交易日內每日建模、回測,并根據回測結果構建多空組合。結果表明:技術指標、其它重要國際股指、期貨以及匯率的變動確實對預測滬深300指數的漲跌起到了作用,小波去噪后的走勢也是預測滬深300指數漲跌的重要特征之一。該模型在300個交易日里的預測正確率為57%。根據模型構建的多空組合收益率顯著高于指數。
【學位授予單位】：華中科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：F832.5
【圖文】：

華 中 科 技 大 學 碩 士 學 位 論 文2 小波去噪和隨機森林理論概述2.1 小波去噪介紹小波（ wavelet ），從圖像上來看就是一種波形長度有限僅在非常短的時間內不為零且時域積分一定為零的特殊的波形。其中，波形長度有限、僅在非常短的時間內不為零這一特征又叫作時域具有緊支集或近似緊支集；時域積分一定為零這一規(guī)定暗含了小波圖像的正負交替的波動規(guī)律。下圖展示了一些常用的小波波形。

X1、X2、X3...表示的是訓練集中的全部樣本，f1、f2、f3...表示的是樣本中的各個屬性，A、B、C、D 表示各個決策樹的分類結果。值得注意的是，隨機森林中單棵決策樹生成后是不用考慮剪枝的。隨機森林具有以下優(yōu)點：1) 隨機森林模型訓練速度快，還可以并行運算，大大提升了運算速度；2) 數據分布要求低，缺失值不敏感，即使不做數據預處理也不會對結果造成太大影響；3) 可以根據訓練集數據給出各個特征的重要程度。2.2.3 隨機森林模型的關鍵參數相比于神經網絡等其它分類器，隨機森林模型的表現(xiàn)對參數的依賴性更小。甚至有的情況下，即使使用默認參數隨機森林模型也能取得較好的表現(xiàn)。但這并不意味著就不需要調整參數，我們依然可以發(fā)現(xiàn)通過格點搜索法尋找最優(yōu)參數能一定程度上提高模型的表現(xiàn)。下圖列舉了隨機森林模型的主要參數。

華 中 科 技 大 學 碩 士 學 位 論 文 滬深 300 指數小波去噪后的上一交易日收益率于股市中的動量和反轉效應，很自然地想到根據近期趨勢來判斷次日數預測文獻中通常用均線來反映趨勢，但均線來代表趨勢有反應滯后的去噪則能很好地回避均線滯后的缺點。本文采用的小波去噪方法為 ri閾值去噪，圖 3.1、圖 3.2、圖 3.3、圖 3.4 分別展示了不同層次的小的效果。可以觀察到小波分解層次越高去噪效果越明顯，越能反映指，但是對短期趨勢的把握也越差，而低層次的小波分解則較好的保留的短期波動，能更好地反映小級別的趨勢。很多文獻都建議，對于價3~5 層小波分解，本文采用的是三層小波分解。

【參考文獻】

相關期刊論文 前10條

1 曹正鳳;紀宏;謝邦昌;;使用隨機森林算法實現(xiàn)優(yōu)質股票的選擇[J];首都經濟貿易大學學報;2014年02期

2 方浩文;;量化投資發(fā)展趨勢及其對中國的啟示[J];管理現(xiàn)代化;2012年05期

3 龍洋;游勇華;于偉臣;鄢波;;基于MATLAB小波去噪方法及應用研究[J];數字技術與應用;2012年08期

4 陶珂;朱建軍;;小波去噪質量評價方法的對比研究[J];大地測量與地球動力學;2012年02期

5 李紅權;洪永淼;汪壽陽;;我國A股市場與美股、港股的互動關系研究:基于信息溢出視角[J];經濟研究;2011年08期

6 王冰;李想;;淺議量化投資在國內市場的發(fā)展[J];經濟視角(下);2011年03期

7 吳明華;周愛民;宋敏;;上證指數受其他股指、匯率及原油期貨價格的影響嗎?——基于Granger因果性檢驗和ECM的實證分析[J];中國物價;2010年09期

8 景雪;;上證A股指數的宏觀因素分析[J];現(xiàn)代商貿工業(yè);2009年05期

9 高雷;任慧玉;;基于小波分析的上證綜指預測[J];統(tǒng)計與決策;2006年14期

10 楊凌;;上海股票市場的基于小波去噪的混沌性檢驗[J];統(tǒng)計與信息論壇;2006年03期

相關博士學位論文 前1條

1 張林;分形與小波的集成研究及其在股票市場波動分析中的應用[D];華南理工大學;2012年

相關碩士學位論文 前9條

1 劉玉琪;基于隨機森林算法的人體運動模式識別研究[D];北京郵電大學;2018年

2 李佩琛;用Stacking算法堆積隨機森林、GBDT、SVM、Adaboost等七種算法的多因子選股模型[D];浙江工商大學;2018年

3 田野;基于Bootstrap方法、隱馬爾可夫模型與隨機森林的量化投資策略實證研究[D];山東大學;2018年

4 吳桂雯;量化交易中股票擇時的策略研究[D];天津商業(yè)大學;2017年

5 李想;基于XGBoost算法的多因子量化選股方案策劃[D];上海師范大學;2017年

6 丁玲娟;基于小波分析和ARMA-SVM模型的股票指數預測分析[D];華東師范大學;2012年

7 鄭紀安;基于小波分析和神經網絡的金融時間序列預測研究[D];廈門大學;2009年

8 鄭海榮;數據挖掘技術在股票分析與預測中的應用[D];哈爾濱工業(yè)大學;2007年

9 郭家芳;基于小波分析和支持向量機的股票指數預測模型的研究及應用[D];武漢理工大學;2006年

本文編號：2770242