近年來隨著數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)的興起,在一些量化投資領(lǐng)域也開始研究將投資策略融合機(jī)器學(xué)習(xí)的方法,并獲得了不錯的研究成果。使用這些方法一方面克服了傳統(tǒng)指標(biāo)回測方法無法對多種因素同時考慮的缺陷,使計算機(jī)可以像投資者一樣對當(dāng)前的市場行情進(jìn)行多方面的綜合研判。另一方面,得益于以神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、組合提升算法為代表的一批復(fù)雜模型的廣泛使用,為研究者更好的擬合股票的混沌走勢提供了可能。而在最近,由于受到貿(mào)易戰(zhàn)的影響,我國股市一落千丈,整個證券市場情緒低迷,股市的日交易量也屢創(chuàng)新低。自美國政府宣布欲對中國商品征稅后,上證指數(shù)從前期的3300點左右一路下跌,至今為止一直在2600點左右徘徊,大量上市公司的股價跌破發(fā)行價位,投資者損失慘重。如果我們能夠有效的判斷股票市場未來的走勢,那么就能在一定程度上降低投資者的損失,規(guī)避投資者因自身不合理的投資情緒和行為帶來的風(fēng)險�；诖�,本文利用上證綜指2014年-2018年近5年的55個技術(shù)指標(biāo)數(shù)據(jù),首先通過Logit回歸、SVM、樸素貝葉斯、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)和XGBoost等6種不同的機(jī)器學(xué)習(xí)方法,預(yù)測指數(shù)的第二日漲跌情況。再探索Voting和Stacking兩種不同融合方式下最優(yōu)融合模型的組合,結(jié)果發(fā)現(xiàn),兩種融合方法均能夠在一定程度上提升單一模型的預(yù)測準(zhǔn)確率。但Voting融合的整體效果要強于Stacking融合。在硬投票方式下,最佳融合模型的組合方式為SVM、神經(jīng)網(wǎng)絡(luò)和XGBoost這3個模型的融合;軟投票方式下,最佳融合模型的組合方式為Logit回歸、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)這3個模型的融合。而在Stacking融合中,將樸素貝葉斯、神經(jīng)網(wǎng)絡(luò)作為第一層的輸入模型,Logit回歸作為第二層的輸出模型時所得到的融合模型準(zhǔn)確率高于單一模型。最后,本文利用模型的預(yù)測情況構(gòu)造指數(shù)交易策略并進(jìn)行回測。結(jié)果表明,融合模型不僅提高了模型的整體預(yù)測準(zhǔn)確率,還提升了模型的整體收益能力。
【學(xué)位單位】：上海師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：F832.51
【部分圖文】：

4圖 1.1 論文框架1.4 本文的主要貢獻(xiàn)本文通過模型融合的方式對上證綜指第二日漲跌進(jìn)行預(yù)測，探索在本文的應(yīng)用場景下，不同投票融合方式下的模型的最優(yōu)組合方式，結(jié)果發(fā)現(xiàn)，兩種融合方法均能夠在一定程度上提升單一模型的預(yù)測準(zhǔn)確率。但 Voting 融合的整體效果要強于 Stacking 融合。在硬投票方式下，最佳融合模型的組合方式為 SVM、神

海師范大學(xué)碩士學(xué)位論文 第 2 章 文獻(xiàn)綜述和相關(guān)理論()(|)()(|)PxPxyPyPyxiii=（2-9）P(x)在訓(xùn)練集給定的情況下為常數(shù)，因此只要將分子最大化，又因為各特征屬性是條件獨立的，所以有：()(|)(|)()(|)(|)(|)()iimj1iii1i2imiiPyPayPxyPyPayPayPayPy== = （2-10）2.2.3 BP 神經(jīng)網(wǎng)絡(luò)原理人工神經(jīng)網(wǎng)絡(luò)根據(jù)人腦工作的生物學(xué)原理，對人腦進(jìn)行簡單的模擬，是一種模仿大腦的機(jī)器學(xué)習(xí)智能算法，它具有自身獨特的非線性信息處理能力，能夠通過自適應(yīng)和自主學(xué)習(xí)獲取獲取信息，儲存在神經(jīng)網(wǎng)絡(luò)中，反復(fù)進(jìn)行學(xué)習(xí)和訓(xùn)練。

上海師范大學(xué)碩士學(xué)位論文 第 2 章 文獻(xiàn)綜述和相關(guān)理論具體的權(quán)重可以通過權(quán)重參數(shù) weights 分配給每個分類器。當(dāng)提供權(quán)重參數(shù)weights 時，收集每個分類器的預(yù)測分類概率，乘以分類器權(quán)重并取平均值。然后從具有最高平均概率的類別標(biāo)簽導(dǎo)出最終類別標(biāo)簽。目前在其他領(lǐng)域應(yīng)用比較多的是算術(shù)平均法（python 中默認(rèn)的是算術(shù)平均）。也可根據(jù)模型表現(xiàn)賦權(quán)，以下例子中我們可以得出某只股票的預(yù)測結(jié)果是跌。（小數(shù)表示單一分類器預(yù)測結(jié)果的概率，分?jǐn)?shù)表示單一分類器的權(quán)重）表 2.2 軟投票案例分類器 1（漲） 0（跌）SVM 0.6*1/4 0.4*1/4隨機(jī)森林 0.3*2/4 0.7*2/4XGBoost 0.5*1/4 0.5*1/4權(quán)重平均 0.425 0.5752.2.8 Stacking 算法
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;上證綜指[J];股市動態(tài)分析;2018年48期

2 ;上證綜指[J];股市動態(tài)分析;2019年10期

3 ;上證綜指[J];股市動態(tài)分析;2018年15期

4 ;上證綜指[J];股市動態(tài)分析;2018年40期

5 ;上證綜指[J];股市動態(tài)分析;2018年39期

6 ;上證綜指[J];股市動態(tài)分析;2017年14期

7 ;上證綜指[J];股市動態(tài)分析;2017年16期

8 胡語文;;股市3000點,房市3萬點[J];股市動態(tài)分析;2016年38期

9 胡語文;;上證綜指仍可能考驗3000點[J];股市動態(tài)分析;2018年20期

10 王濤;;莫在指數(shù)基金中迷失方向[J];大眾理財顧問;2010年01期

相關(guān)博士學(xué)位論文 前2條

1 董穎紅;微博客社會情緒的測量及其與社會風(fēng)險感知和風(fēng)險決策的關(guān)系[D];南開大學(xué);2014年

2 陳瑋光;中國證券投資者信心指數(shù)構(gòu)建及實證研究[D];湖南大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 金國鵬;基于Voting融合算法的上證綜指漲跌預(yù)測方案策劃[D];上海師范大學(xué);2019年

2 王定;基于WaveNet條件時序卷積模型的上證綜指收益率預(yù)測[D];蘭州大學(xué);2019年

3 謝蕙澤;上證綜指波動性特征及影響因素研究[D];湖南大學(xué);2017年

4 朱默柔;基于MCMC估計MS-GARCH模型的上證綜指實證分析[D];清華大學(xué);2016年

5 張洪辰;通過新浪微博數(shù)據(jù)挖掘預(yù)測上證綜指走向[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2014年

6 張子棟;上證綜指波動率偏度研究[D];內(nèi)蒙古大學(xué);2012年

7 徐敏;上證綜指非線性理論研究與實證分析[D];浙江工商大學(xué);2010年

8 蔣婭;基于上證綜指大幅波動后的股價短期行為研究[D];南京理工大學(xué);2010年

9 成樸;上證綜指與我國宏觀經(jīng)濟(jì)增長關(guān)系研究[D];西北大學(xué);2017年

10 謝平;匯率、國內(nèi)外債券收益率對我國上證綜指的影響分析[D];上海外國語大學(xué);2017年

本文編號：2880847