近幾年,量化投資憑借紀(jì)律性、準(zhǔn)確性等優(yōu)勢迅速發(fā)展壯大,成為投資理論與策略的主要研究方向之一.隨著量化投資在國內(nèi)的發(fā)展,運用機器學(xué)習(xí)算法和股票數(shù)據(jù)建立量化投資模型預(yù)測股票市場未來趨勢已經(jīng)成為國內(nèi)量化投資的熱門方向之一.目前國內(nèi)的量化投資在預(yù)測股票未來趨勢的問題上主要涉及兩個問題——選擇計算機算法和建立數(shù)學(xué)模型.本文的研究工作包括兩部分:基于GBDT組合算法的五因子模型和基于RF-GB算法的趨勢追蹤模型.本文首先構(gòu)建GBDT組合算法,然后建立了一個在邏輯上具有普遍的適用性的五因子模型.在股票趨勢預(yù)測中,多因子模型的有效性已經(jīng)被證實.本文將改進的GBDT算法與多因子模型相結(jié)合,首先運用貢獻度和相關(guān)性分析對股票因子進行篩選,得到由五個最優(yōu)因子構(gòu)建的多因子模型.然后運用GBDT算法預(yù)測股票趨勢.實證分析表明基于GBDT組合算法構(gòu)建的五因子模型能夠有效的預(yù)測股票未來趨勢.本文在隨機森林算法和GBDT算法的基礎(chǔ)上構(gòu)建了 RF-GB算法.RF-GB算法結(jié)合了隨機森林和GBDT算法的優(yōu)勢,一定程度上提升了 GBDT算法的性能,實證表明RF-GB算法的預(yù)測精度優(yōu)于單個的隨機森林算法和GBDT算法.根據(jù)股票... 

【文章來源】：廣西大學(xué)廣西壯族自治區(qū) 211工程院校

【文章頁數(shù)】：55 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖３－１因子之間的相關(guān)性??Ｆｉｇｕｒｅ?３－１?Ｃｏｒｒｅｌａｔｉｏｎ?ｂｅｔｗｅｅｎ?ｆａｃｔｏｒｓ??根據(jù)前文的篩選方法，可以得到五個最優(yōu)股票因子（表３－３）．其中，任意兩個因ｆ??間的相關(guān)系數(shù)｜ｒ｜ｅ［（Ｘ０．５；），任意一個因子的貢獻度（：？，都大于０．３．??

ｒｖ?，ｖｖｖ＾ｖ＞Ｓｉｇｎａｌ：＜?．?（４．２３）－１，?ＤＩＦｖ＜ＤＩＦｔ?，?＆?ＤＩＦｔ＜ＤＥＡｖ?＆?ＤＩＦ＾，?＞ＤＥＡｖ＆?ＤＩＦｖ?＜０??其中，股票的買入信號為＋１，賣出信號為－１．??４．４實證分析??本章驗證趨勢追蹤模型的基礎(chǔ)上，ＲＦ－ＧＢ算法優(yōu)于隨機森林和ＧＢＤＴ；基于ＲＦ－Ｇ算法的組合趨勢追蹤模型的收益高于基準(zhǔn)收益．??４．４．１數(shù)據(jù)的預(yù)處理??本文獲取了通聯(lián)數(shù)據(jù)庫２０１６年１月至２０１７年丨２月的滬深３００股票集合的股票據(jù)，并按照上節(jié)內(nèi)容計算單個技術(shù)指標(biāo)的信號和組合技術(shù)指標(biāo)的信號．結(jié)合隨機森林法較難處理連續(xù)數(shù)值的特點，本文將原始的、連續(xù)的信號轉(zhuǎn)化為離散信號．??

圖４－２算法預(yù)測精度??Ｆｉｇｕｒｅ?４－２?Ｐｒｅｄｉｃｔｉｏｎ?ａｃｃｕｒａｃｙ?ｏｆ?ａｌｇｏｒｉｔｈｍ??通過分析算法精度的平均值與均值，＂〗以看出ＲＦ－ＧＢ算法具有Ｍ高的平均值０．４０８，??


本文編號：3466035