【摘要】：隨著大數(shù)據(jù)方法的廣泛應(yīng)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(shù)據(jù)方法與股票市場預(yù)測結(jié)合起來,而指數(shù)走勢預(yù)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(yù)測方面的表現(xiàn)顯著優(yōu)于單一分類器的預(yù)測表現(xiàn)。但目前大多數(shù)基于集成算法的指數(shù)走勢預(yù)測研究往往只關(guān)注技術(shù)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(chǎn)之間的影響。本文除常用技術(shù)指標外,還將主要國際指數(shù)、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(shù)特征,在此基礎(chǔ)上建立隨機森林模型,進而進行指數(shù)預(yù)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(gòu)成,短期擾動的不確定性無疑給股價走勢預(yù)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(shù)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(chǔ),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(nèi)每日建模、回測,并根據(jù)回測結(jié)果構(gòu)建多空組合。結(jié)果表明:技術(shù)指標、其它重要國際股指、期貨以及匯率的變動確實對預(yù)測滬深300指數(shù)的漲跌起到了作用,小波去噪后的走勢也是預(yù)測滬深300指數(shù)漲跌的重要特征之一。該模型在300個交易日里的預(yù)測正確率為57%。根據(jù)模型構(gòu)建的多空組合收益率顯著高于指數(shù)。
【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(nèi)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(nèi)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(jié)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(shù)據(jù)分布要求低，缺失值不敏感，即使不做數(shù)據(jù)預(yù)處理也不會對結(jié)果造成太大影響；3) 可以根據(jù)訓練集數(shù)據(jù)給出各個特征的重要程度。2.2.3 隨機森林模型的關(guān)鍵參數(shù)相比于神經(jīng)網(wǎng)絡(luò)等其它分類器，隨機森林模型的表現(xiàn)對參數(shù)的依賴性更小。甚至有的情況下，即使使用默認參數(shù)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(diào)整參數(shù)，我們依然可以發(fā)現(xiàn)通過格點搜索法尋找最優(yōu)參數(shù)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(shù)。

華 中 科 技 大 學 碩 士 學 位 論 文 滬深 300 指數(shù)小波去噪后的上一交易日收益率于股市中的動量和反轉(zhuǎn)效應(yīng)，很自然地想到根據(jù)近期趨勢來判斷次日數(shù)預(yù)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(yīng)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�？梢杂^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(guān)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(zhì)股票的選擇[J];首都經(jīng)濟貿(mào)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(yīng)用研究[J];數(shù)字技術(shù)與應(yīng)用;2012年08期

4 陶珂;朱建軍;;小波去噪質(zhì)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(quán);洪永淼;汪壽陽;;我國A股市場與美股、港股的互動關(guān)系研究:基于信息溢出視角[J];經(jīng)濟研究;2011年08期

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

7 吳明華;周愛民;宋敏;;上證指數(shù)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(shù)的宏觀因素分析[J];現(xiàn)代商貿(mào)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(yù)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(guān)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(yīng)用[D];華南理工大學;2012年

相關(guān)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(shù)預(yù)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(jīng)網(wǎng)絡(luò)的金融時間序列預(yù)測研究[D];廈門大學;2009年

8 鄭海榮;數(shù)據(jù)挖掘技術(shù)在股票分析與預(yù)測中的應(yīng)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(shù)預(yù)測模型的研究及應(yīng)用[D];武漢理工大學;2006年

本文編號：2770242