股票指數(shù)是為度量股票市場(chǎng)總體價(jià)格水平變動(dòng)趨勢(shì)而編制的價(jià)格指數(shù),它能夠靈敏的反映出所在國經(jīng)濟(jì)的變化狀況,因而有現(xiàn)代經(jīng)濟(jì)“晴雨表”的稱號(hào)。以股票指數(shù)為交易對(duì)象的股指期貨也因此有著巨大的投資價(jià)值,國內(nèi)外很多研究者都一直在嘗試用各種方法對(duì)其價(jià)格變化進(jìn)行預(yù)測(cè)。XGBoost（eXtreme Gradient Boosting）是一種比較新的機(jī)器學(xué)習(xí)算法,具有較高的運(yùn)算效率和準(zhǔn)確率,基于這一算法建立模型對(duì)股指期貨價(jià)格進(jìn)行預(yù)測(cè),能夠在投資者進(jìn)行投資決策時(shí)起到一定的幫助,具有較強(qiáng)的理論和現(xiàn)實(shí)意義。本文在前期對(duì)證券價(jià)格預(yù)測(cè)模型的研究及相關(guān)文獻(xiàn)梳理的基礎(chǔ)上,通過優(yōu)化輸入向量及采取更為科學(xué)的對(duì)抗過擬合的方法,提升了XGBoost算法在股指期貨價(jià)格上的預(yù)測(cè)效果。首先,本文對(duì)滬深300指數(shù)在樣本區(qū)間內(nèi)的走勢(shì)做了深入的分析,建立了包含趨勢(shì)型、超買超賣型、成交量型、停損型四大類共計(jì)46個(gè)技術(shù)指標(biāo)的因子池,以保證股指期貨價(jià)格中所包含的信息能夠得到充分的挖掘。其次,依據(jù)XGBoost模型在訓(xùn)練完成后計(jì)算出的各個(gè)特征的重要性得分,篩選出重要性排名較高的特征作為預(yù)測(cè)模型的輸入向量,這一做法在降低了模型的復(fù)雜度的同時(shí),也提高... 

【文章來源】：西北大學(xué)陜西省 211工程院校

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

離群值處理后部分因子值展示（1）Zscore法，也稱為零-均值規(guī)范化法

4. 2 .2 特征 值的 標(biāo) 準(zhǔn) 化處 理 當(dāng)各 因 子 值之 間 量 級(jí) 相差 比 較 大時(shí) 不 便 于我 們 對(duì) 其 進(jìn)行 比 較 ，也有 可 能 會(huì)對(duì) 的訓(xùn) 練效 果 造成 不 確 定的 影 響， 而 數(shù) 據(jù) 標(biāo) 準(zhǔn)化 能 夠統(tǒng) 一不 同 因 子 之間 的 量 綱 ，使 據(jù)更 加集 中 ， 便于 各 因子 進(jìn) 行 進(jìn) 一步 的 比 較。 圖 10 展示 了 經(jīng) 過 離群 值 處 理 后的 因子 的因 子 值， 可 以 很明 顯 看 到 因子 值 之 間存 在 著明 顯的 大 小 差 異， 比 如 成 交量 的數(shù) 值明 顯 比其 他 因 子 高出 很 多 數(shù) 量級(jí) 。 常用 的標(biāo) 準(zhǔn) 化方 法 主要 有 Z s co r e法、 -最 小 規(guī) 范法 兩 種 。 圖9 BB I 因 子 在離 群值 處 理 前后 的 分 布情 況

第四 章 基于 X GB o o st 的股 指期 貨 漲跌 預(yù) 測(cè)模 型 ma xmi nmi n^xxxxx = 相比 于 Z s co r e法， 這 種方 法 的優(yōu) 勢(shì) 在于 即 能 夠 消除 因 子 之間 的 量 綱 ，同改 變因 子 值的 方 向 ，而 缺 點(diǎn) 在 于當(dāng) 因 子 值的 最 大值 和最 小 值 相 差很 大 時(shí)， 可 處 理后 的 部分 因 子 值接 近 于 零 ，但 是 基 于前 面 的數(shù) 據(jù)離 群 化 處 理后 ， 這 一 風(fēng)到 有 效 的規(guī) 避 。 本文 采 取 的是 最 大 - 最 小 規(guī)范 法 。下圖 展示 了 BB I( 多空 線 指 標(biāo) )技 術(shù) 因 子在 化 處理 之 后的 概 率 密度 分 布 情 況， 可以 發(fā) 現(xiàn)此 前 數(shù) 值 相差 很 大 的兩 個(gè) 因 子 經(jīng)量 級(jí) 得 到了 統(tǒng) 一 。

【參考文獻(xiàn)】：
期刊論文
[1]基于特征選擇和HMM的股票價(jià)格行為研究[J]. 喻永生,謝天異丹,劉暢,郭靖雯,張衛(wèi)東.  信息技術(shù)與網(wǎng)絡(luò)安全. 2018(08)
[2]GBDT組合模型在股票預(yù)測(cè)中的應(yīng)用[J]. 張瀟,韋增欣,楊天山.  海南師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(01)
[3]股指期貨是股災(zāi)的“幕后推手”嗎——基于2015年股災(zāi)期間滬深300股指期貨高頻數(shù)據(jù)實(shí)證分析[J]. 楊林,楊雅如.  財(cái)經(jīng)理論與實(shí)踐. 2017(03)
[4]信用評(píng)估中的特征選擇方法研究[J]. 熊志斌.  數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究. 2016(01)
[5]基于C4.5決策樹的股票數(shù)據(jù)挖掘[J]. 王領(lǐng),胡揚(yáng).  計(jì)算機(jī)與現(xiàn)代化. 2015(10)
[6]金融危機(jī)期間跨市場(chǎng)波動(dòng)風(fēng)險(xiǎn)預(yù)警的遺漏——跨境期現(xiàn)貨市場(chǎng)間波動(dòng)溢出[J]. 柴尚蕾.  系統(tǒng)工程. 2015(06)
[7]基于隨機(jī)森林的保險(xiǎn)客戶利潤貢獻(xiàn)度研究[J]. 方匡南,吳見彬,謝邦昌.  數(shù)理統(tǒng)計(jì)與管理. 2014(06)
[8]一類基于信息熵的多標(biāo)簽特征選擇算法[J]. 張振海,李士寧,李志剛,陳昊.  計(jì)算機(jī)研究與發(fā)展. 2013(06)
[9]基于差值灰色RBF網(wǎng)絡(luò)模型股票指數(shù)預(yù)測(cè)[J]. 薛佳佳.  統(tǒng)計(jì)與決策. 2012(22)
[10]GA-SVM對(duì)上證綜指走勢(shì)的預(yù)測(cè)研究[J]. 張偉,李泓儀,蘭書梅,張潔.  東北師大學(xué)報(bào)(自然科學(xué)版). 2012(01)

碩士論文
[1]基于機(jī)器學(xué)習(xí)的滬深300指數(shù)走勢(shì)預(yù)測(cè)研究[D]. 鄒玉江.山東大學(xué) 2018
[2]隨機(jī)森林在技術(shù)指標(biāo)量化選股中的應(yīng)用[D]. 吳衛(wèi)星.電子科技大學(xué) 2018
[3]基于支持向量機(jī)理論的股指期貨量化交易策略研究[D]. 李漢琛.浙江大學(xué) 2016
[4]基于SVMAdaBoost模型的股票漲跌實(shí)證研究[D]. 詹財(cái)鑫.華南理工大學(xué) 2013



本文編號(hào)：3327756