量化投資是利用數(shù)學(xué)模型和計(jì)算機(jī)程序來預(yù)測(cè)股票價(jià)格的走勢(shì),由于其自身的客觀性,快速性,紀(jì)律性等優(yōu)點(diǎn)越來越受投資者的鐘愛。而且在未完全成熟的中國市場(chǎng),市場(chǎng)信息不對(duì)稱和市場(chǎng)失靈現(xiàn)象較多,同時(shí)大部分投資者的投資理念相對(duì)落后,投資水平也是參差不齊。因此,量化投資模型的研究對(duì)于國家經(jīng)濟(jì)宏觀政策的調(diào)整和個(gè)人投資都有重要的指導(dǎo)意義。股票價(jià)格走勢(shì)的預(yù)測(cè)問題可以作為分類回歸問題來研究,而解決分類回歸問題在機(jī)器學(xué)習(xí)算法領(lǐng)域已經(jīng)有不錯(cuò)的解決方法。本文受啟發(fā)于XGBoost算法在各種數(shù)據(jù)挖掘比賽中的大放異彩,同時(shí)在現(xiàn)有的量化投資選股模型的研究上,考慮到有的選股特征因子包含的信息量可能很少,但它又有部分特別關(guān)鍵的信息,如果直接用XGBoost算法模型,可能在做特征分裂的時(shí)候會(huì)忽略掉這些因子。并且特征因子之間是有相關(guān)性的,信息也是有重復(fù)的�？紤]到上訴問題,本文加入主成分分析方法(PCA)對(duì)XGBoost算法進(jìn)行改進(jìn),將PCA算法與XGBoost算法相結(jié)合構(gòu)成新的P-XGBoost算法模型,新的P-XGboost模型在綜合特征選股因子的主要信息的同時(shí),也能降低特征因子維度。同時(shí),基于P-XGBoost模型本身的算法特...

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 引言
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 本文研究內(nèi)容與方法
    1.4 本文的創(chuàng)新
    1.5 本文章節(jié)安排
    本章小結(jié)
第二章 量化投資的相關(guān)知識(shí)
    2.1 量化投資的發(fā)展
    2.2 量化投資常用方法
    2.3 量化投資選股存在的問題
    本章小結(jié)
第三章 P-XGBoost算法模型理論
    3.1 主成分分析方法(PCA)
        3.1.1 PCA的降維
        3.1.2 PCA的方差最大化
        3.1.3 PCA的算法過程
    3.2 決策樹
        3.2.1 決策樹概論
        3.2.2 CART決策樹
    3.3 XGBoost算法
        3.3.1 Boosting思想
        3.3.2 目標(biāo)損失函數(shù)
        3.3.3 求解
        3.3.4 CART樹的學(xué)習(xí)過程
    3.4 P-XGBoost模型在股市的優(yōu)點(diǎn)
    本章小結(jié)
第四章 P-XGBoost模型在選股中的應(yīng)用
    4.1 股票因子的選取
    4.2 數(shù)據(jù)的預(yù)處理
    4.3 P-XGBoost模型的訓(xùn)練
        4.3.1 模型的評(píng)估
        4.3.2 模型的訓(xùn)練
    本章小結(jié)
第五章 P-XGBoost模型的選股表現(xiàn)
    5.1 量化選股中的風(fēng)險(xiǎn)收益評(píng)估指標(biāo)
    5.2 P-XGBoost模型股票表現(xiàn)
    5.3 量化選股模型的比較
    本章小結(jié)
第六章 總結(jié)和展望
    6.1 本文主要結(jié)論
    6.2 展望
致謝
參考文獻(xiàn)
附錄A
附錄B



本文編號(hào)：3821782