一直以來金融時間序列的預(yù)測問題都是投資者和學(xué)者的研究重點,但股市受多種復(fù)雜因素影響,預(yù)測難度較大。隨著計算機技術(shù)的發(fā)展,越來越多的機器學(xué)習(xí)方法應(yīng)用于金融時間序列的預(yù)測問題中,尤其在股票價格指數(shù)漲跌預(yù)測中具有很強的適用性。本文以LightGBM算法為基礎(chǔ)構(gòu)建股票指數(shù)漲跌預(yù)測模型,對滬深300指數(shù)和中證500指數(shù)的漲跌進行預(yù)測,選取12個技術(shù)指標(biāo)作為輸入特征,第二天的漲跌作為輸出變量。同時,為了優(yōu)化模型的預(yù)測效果,運用邏輯回歸聯(lián)合LightGBM算法的方法,構(gòu)建LR-LightGBM模型對兩個股指進行預(yù)測,利用網(wǎng)格搜索法對算法中的參數(shù)進行尋優(yōu),比較上述兩個模型的預(yù)測效果。本文選取2012年1月1日至2019年12月31日的交易日數(shù)據(jù)進行實證研究,結(jié)果顯示上述預(yù)測模型對股指漲跌的預(yù)測均有較好的適用性,對于滬深300指數(shù)的預(yù)測效果較好,并且邏輯回歸有助于提高LightGBM模型的預(yù)測準(zhǔn)確率。然后基于LightGBM模型和LR-LightGBM模型的預(yù)測結(jié)果,構(gòu)建量化擇時策略,以嘉實滬深300ETF為交易對象進行回測。從風(fēng)險和收益方面,綜合比較兩個模型,發(fā)現(xiàn)基于LR-LightGBM模型的股指漲... 

【文章來源】：上海師范大學(xué)上海市

【文章頁數(shù)】：52 頁

【學(xué)位級別】：碩士

【部分圖文】：

Sigmoid函數(shù)分布圖

上海師范大學(xué)碩士學(xué)位論文第4章基于LightGBM算法的股指漲跌預(yù)測方案設(shè)計31令TP、FP、TN、FN分別表示上述四種情況的實例的數(shù)量，樣本總數(shù)等于上述四種情況數(shù)量之和。二分類結(jié)果的混淆矩陣如表4.2所示：表4.2分類結(jié)果的混淆矩陣真實情況預(yù)測結(jié)果正例反例正例TP(真正例)FN（假反例）反例FP(假正例)TN（真反例）準(zhǔn)確率(accuracy)和F1值是常用來度量分類結(jié)果，F(xiàn)1值是由精準(zhǔn)率與召回率調(diào)和計算得到，F(xiàn)1值距離精準(zhǔn)率與召回率中較小的值更近。計算公式如下(4-11)至(4-14)所示：準(zhǔn)確率（accuracy）=TPTNTPFNFPTN(4-11)精準(zhǔn)率（precison）=TPTPFP(4-12)召回率（recall）=TPTPFN(4-13)2**1precisionrecallFprecisionrecall(4-14)ROC曲線是常用的二分類模型評估標(biāo)準(zhǔn)，AUC(AreaUnderCurve)被定義為ROC曲線下的面積，數(shù)值不大于1。ROC曲線橫軸為負(fù)正類率(FPR)，即分類器模型所分的正例中的本來為負(fù)例與所有負(fù)例之比，縱軸為真正類率(TPR)，即分類器模型所分的正例中本來的正例與所有正例之比。AUC值越大的分類模型，正確率越高。如圖4.7所示，ROC曲線越靠近左上角，AUC值越大，模型精度越高。圖4.7ROC曲線圖

上海師范大學(xué)碩士學(xué)位論文第4章基于LightGBM算法的股指漲跌預(yù)測方案設(shè)計33圖4.8滬深300指數(shù)模型ROC曲線（左）和中證500指數(shù)模型ROC曲線（右）然后利用邏輯回歸聯(lián)合LightGBM算法，構(gòu)建LR-LightGBM模型，同樣輸入12個連續(xù)技術(shù)指標(biāo)，并分別預(yù)測滬深300指數(shù)和中證500指數(shù)的漲跌，最優(yōu)參數(shù)取值和預(yù)測結(jié)果如下表4.5所示。表4.5LR-LightGBM模型的參數(shù)取值參數(shù)名稱參數(shù)取值滬深300中證500max_depth77num_leaves2030learning_rate0.10.1feature_fraction0.80.8bagging_fraction0.80.8num_iterations20202從表4.6列出的預(yù)測結(jié)果可知，與LightGBM模型相比，LR-LightGBM模型預(yù)測效果更好，F(xiàn)1值和準(zhǔn)確率提高明顯。其中，滬深300指數(shù)的預(yù)測精度提高3.4%左右，中證500指數(shù)的預(yù)測精度提高1.5%左右，說明聯(lián)合邏輯回歸可以在一定程度上優(yōu)化LightGBM模型的預(yù)測精度。表4.6LR-LightGBM模型預(yù)測結(jié)果預(yù)測結(jié)果滬深300中證500F1值0.57280.5419準(zhǔn)確率0.57290.5523下圖4.9中展示了LR-LightGBM模型預(yù)測兩個指數(shù)的ROC曲線，AUC值分別為0.5840和0.5660，與LightGBM模型的AUC值相比均有所增加，再次印證LR-LightGBM模型的分類效果優(yōu)于LightGBM模型。將邏輯回歸模型的預(yù)測得分與技術(shù)指標(biāo)一起輸入LightGBM訓(xùn)練，提供了更多關(guān)于股指趨勢變動的信息，有助于提高預(yù)測模型的預(yù)測精度并且可以防止過擬合。此外，綜合兩個模型預(yù)測結(jié)果的F1值、準(zhǔn)確率和AUC值可知，模型預(yù)測滬深300指數(shù)漲跌的效果略高于中證

【參考文獻】：
期刊論文
[1]基于機器學(xué)習(xí)的股票超額收益預(yù)測模型[J]. 蔡清權(quán),馬雲(yún)勻,李金妹.  信息系統(tǒng)工程. 2019(09)
[2]股票市場短期趨勢的離散分類預(yù)測模型研究[J]. 李緗珍.  經(jīng)濟研究導(dǎo)刊. 2019(26)
[3]茅臺股價一路走紅的基本面分析[J]. 劉濤.  中國集體經(jīng)濟. 2018(28)
[4]基于偏最小二乘方法的ARIMA模型在股票指數(shù)預(yù)測中的應(yīng)用[J]. 方坷昊,趙凌.  四川文理學(xué)院學(xué)報. 2018(05)
[5]基于EMD和ARMA模型的上證指數(shù)預(yù)測[J]. 吳振宇,喻敏,金吉,姜楠.  中國商論. 2018(16)
[6]GBDT組合模型在股票預(yù)測中的應(yīng)用[J]. 張瀟,韋增欣,楊天山.  海南師范大學(xué)學(xué)報(自然科學(xué)版). 2018(01)
[7]基于ARIMA模型對上證指數(shù)趨勢的預(yù)測[J]. 李曉先.  遼寧經(jīng)濟. 2017(07)
[8]基于C4.5決策樹的股票數(shù)據(jù)挖掘[J]. 王領(lǐng),胡揚.  計算機與現(xiàn)代化. 2015(10)
[9]基于ARIMA模型對上證指數(shù)月度時間序列的分析和預(yù)測[J]. 崔遠(yuǎn)遠(yuǎn),文忠橋.  棗莊學(xué)院學(xué)報. 2015(02)
[10]兼顧基本面與估值指標(biāo)的價值投資策略實證研究——來自2000-2013年中國滬深A(yù)股市場的經(jīng)驗數(shù)據(jù)[J]. 姚輝,武婷婷.  投資研究. 2014(11)



本文編號：3454633