發(fā)布時間：2021-07-13 12:04

　　股票是一種高風(fēng)險且高收益的投資項目,投資者利用股票價格的變化得到差價收益。本文提出全新的模型對股票漲跌率進(jìn)行三分類,根據(jù)結(jié)果為投資者在第二日開盤時提出買入、持中或賣出建議。本文提出一種全新的自適應(yīng)級聯(lián)決策樹模型（Ada-CDT）,將級聯(lián)結(jié)構(gòu)和結(jié)合,本文的創(chuàng)新為:一、引入錯分代價系數(shù)對算法進(jìn)行改進(jìn),增加實際意義;二、建立全新的模型,每層級聯(lián)結(jié)構(gòu)由決策樹組成,弱分類器通過規(guī)則連接,這里的為引入代價系數(shù)后的改進(jìn)算法;三、對股票漲跌率標(biāo)簽進(jìn)行研究,確定分類標(biāo)簽閾值,選擇處作為標(biāo)簽分類數(shù)值;并對同金融證券類型的股票進(jìn)行相關(guān)性分析,選擇強相關(guān)性的股票進(jìn)行實證分析。將新模型Ada-CDT應(yīng)用于股票分類上,根據(jù)收益對股票進(jìn)行三分類,以中信證券股票（代碼:600030）為基礎(chǔ)股票,再選擇其他同類型強相關(guān)性的13只股票進(jìn)行實證分析,通過ROC曲線和AUC值來對模型進(jìn)行評估,并對比四種算法。結(jié)果發(fā)現(xiàn)構(gòu)建的模型在證券類股票上相較于其他算法有很好的分類效果。 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：48 頁

【學(xué)位級別】：碩士

【部分圖文】：

一goFo此st算法多粒度掃描

?第３章Ａｄａ－ＣＤＴ模型的構(gòu)建??圖３－２?Ａｄａ－ＣＤＴ模型特征選取部分??如圖３－２所示，我們用固定長度大小為ｍ的滑塊在特征集上進(jìn)行滑動，特征集??中的總特征數(shù)為Ｍ。在這里要強調(diào)一下，由于特征之間有一定的相關(guān)性，所以我??們將Ｍ個特征打亂順序后隨機排列成一排，讓滑塊來滑動得到Ｍ?ｍ?＋１個特征子??集，為我們后續(xù)的級聯(lián)結(jié)構(gòu)中每一級的訓(xùn)練特征輸入做準(zhǔn)備。??３．?２．?２級聯(lián)結(jié)構(gòu)??在級聯(lián)結(jié)構(gòu)中，每一級為一個？＾強分類器。由第二章介紹知，??由若干個弱分類器組合而成，這里我們用的弱分類器為Ｃ４．５決策樹。??ｔ?Ｈ?Ｒｌ?Ｂ??Ｉ?－?ｍｕ?－?匚二］？?？??１?ａｌ?．?□：！??ａ?＊?＜?＊?＜?＊?＜?栗??ｃｏｎｃａｔｅｎａｔｅ?議?｜?｜??Ｉ?Ｌ－ｌ?Ｌ－ｌ?ｉ－ｌ??Ｌｅｖｅｌ?１?Ｉ?Ｌｅｖｅｌ?２?｜?Ｉ?Ｌｅｖｅｌ?Ｎ??圖３－３?Ａｄａ－ＣＤＴ模型級聯(lián)部分??由圖３－３所示，在級聯(lián)結(jié)構(gòu)中，每一級所用的樣本均為同一個訓(xùn)練樣本。在第??一層級聯(lián)結(jié)構(gòu)中

?第３章Ａｄａ－ＣＤＴ模型的構(gòu)建??圖３－２?Ａｄａ－ＣＤＴ模型特征選取部分??如圖３－２所示，我們用固定長度大小為ｍ的滑塊在特征集上進(jìn)行滑動，特征集??中的總特征數(shù)為Ｍ。在這里要強調(diào)一下，由于特征之間有一定的相關(guān)性，所以我??們將Ｍ個特征打亂順序后隨機排列成一排，讓滑塊來滑動得到Ｍ?ｍ?＋１個特征子??集，為我們后續(xù)的級聯(lián)結(jié)構(gòu)中每一級的訓(xùn)練特征輸入做準(zhǔn)備。??３．?２．?２級聯(lián)結(jié)構(gòu)??在級聯(lián)結(jié)構(gòu)中，每一級為一個？＾強分類器。由第二章介紹知，??由若干個弱分類器組合而成，這里我們用的弱分類器為Ｃ４．５決策樹。??ｔ?Ｈ?Ｒｌ?Ｂ??Ｉ?－?ｍｕ?－?匚二］？?？??１?ａｌ?．?□：！??ａ?＊?＜?＊?＜?＊?＜?栗??ｃｏｎｃａｔｅｎａｔｅ?議?｜?｜??Ｉ?Ｌ－ｌ?Ｌ－ｌ?ｉ－ｌ??Ｌｅｖｅｌ?１?Ｉ?Ｌｅｖｅｌ?２?｜?Ｉ?Ｌｅｖｅｌ?Ｎ??圖３－３?Ａｄａ－ＣＤＴ模型級聯(lián)部分??由圖３－３所示，在級聯(lián)結(jié)構(gòu)中，每一級所用的樣本均為同一個訓(xùn)練樣本。在第??一層級聯(lián)結(jié)構(gòu)中

【參考文獻(xiàn)】：
期刊論文
[1]機構(gòu)投資者對公司研發(fā)投入的影響研究——基于股票流動性視角[J]. 張根明,陳啟實.  財會通訊. 2019(09)
[2]調(diào)和平均優(yōu)化選擇劃分屬性的決策樹改進(jìn)算法[J]. 王卓,聶斌,羅計根,杜建強,陳愛,周麗.  江西師范大學(xué)學(xué)報(自然科學(xué)版). 2018(04)
[3]股票價格預(yù)測中機器學(xué)習(xí)的應(yīng)用[J]. 喻永生.  科技經(jīng)濟導(dǎo)刊. 2018(12)
[4]基于投資者情緒的股票價格及成交量預(yù)測研究[J]. 陳曉紅,彭宛露,田美玉.  系統(tǒng)科學(xué)與數(shù)學(xué). 2016(12)
[5]基于ARIMA模型的短期股票價格預(yù)測[J]. 吳玉霞,溫欣.  統(tǒng)計與決策. 2016(23)
[6]基于樣本權(quán)重的不平衡數(shù)據(jù)欠抽樣方法[J]. 熊冰妍,王國胤,鄧維斌.  計算機研究與發(fā)展. 2016(11)
[7]基于ARMA-GARCH模型的股票價格分析與預(yù)測[J]. 楊琦,曹顯兵.  數(shù)學(xué)的實踐與認(rèn)識. 2016(06)
[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]基于粒子群算法的決策樹SVM多分類方法研究[J]. 王道明,魯昌華,蔣薇薇,肖明霞,李必然.  電子測量與儀器學(xué)報. 2015(04)
[10]基于代價敏感的AdaBoost算法改進(jìn)[J]. 王學(xué)玲,王建林.  計算機應(yīng)用與軟件. 2013(10)

碩士論文
[1]一種新的不平衡數(shù)據(jù)處理方法在股票分類中的應(yīng)用[D]. 張雨晴.北京交通大學(xué) 2018
[2]基于實時數(shù)據(jù)流處理的http數(shù)據(jù)分析可視化系統(tǒng)[D]. 潘冬.電子科技大學(xué) 2016



本文編號：3282026