深度森林在股指涨跌预测和投资策略中的应用

论文摘要

近年来,在金融时间序列的预测问题中,股票价格指数涨跌预测是投资者和研究人员最具挑战性的金融时间序列预测问题之一。由于机器学习方法与金融时间序列的特点相契合且机器学习方法在分类和预测等问题上具有很强的性能,越来越多的机器学习方法应用在金融时间序列的预测问题上。本文首先简述了四种机器学习分类模型的理论知识。然后,以四种模型为基础构建股指涨跌预测模型,归纳总结前人的研究成果,选取了8个技术指标作为模型的输入特征,并应用了针对输入特征的离散化处理方式。将股指涨跌预测模型应用于沪深300指数上,对四个模型进行验证。通过对比分析四种机器学习算法针对不同预测频率的预测性能,充分验证了基于改进输入方式的深度森林模型在股指涨跌预测问题上的有效性,在日频和周频的股指涨跌预测中,该模型的准确率分别为59.78%和67.11%,AUC值分别为0.5514和0.6429,表现出十分显著的分类性能优势。最后,本文基于深度森林预测模型,构建了两个趋势择时策略,一种是基于指数基金的择时策略,另一种是基于沪深300成分股的股票组合的择时策略。两个择时策略在回测期间均具有良好的表现,在收益、风险和风险调整收益方面优于市场。本文提出的基于改进输入方式的深度森林模型在股指涨跌预测和投资策略构建上可以得到较理想的结果,具有实际的应用价值,能够为广大的机构投资者和散户提供借鉴和帮助。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
•   1.1 研究背景和意义
•     1.1.1 研究背景
•     1.1.2 研究意义
•   1.2 文献综述
•     1.2.1 国外研究现状
•     1.2.2 国内研究现状
•   1.3 本文结构与框架
•   1.4 本文创新之处
• 第二章 机器学习算法理论介绍
•   2.1 Logistic回归
•   2.2 支持向量机
•   2.3 极端梯度提升树
•   2.4 深度森林
•     2.4.1 多粒度扫描
•     2.4.2 级联森林
• 第三章 股指涨跌预测模型的构建
•   3.1 模型建立
•   3.2 模型输入
•     3.2.1 输入技术指标简介
•     3.2.2 输入特征标准化
•     3.2.3 模型输入方式改进
•   3.3 模型输出
•   3.4 模型性能度量
•     3.4.1 准确率
•     3.4.2 ROC曲线和AUC
• 第四章 股指涨跌预测模型实证分析
•   4.1 数据选取与说明
•   4.2 实证一:股指日频涨跌预测
•     4.2.1 模型超参数选择
•     4.2.2 实证结果分析
•   4.3 实证二:改进的股指日频涨跌预测
•     4.3.1 模型超参数选择
•     4.3.2 实证结果分析
•     4.3.3 实证一、二结果对比
•   4.4 实证三:改进的股指周频涨跌预测
•     4.4.1 模型超参数选择
•     4.4.2 实证结果分析
• 第五章 投资策略的构建与回测
•   5.1 基金择时策略实证
•     5.1.1 基金选择
•     5.1.2 择时策略构建
•     5.1.3 择时策略回测
•   5.2 择时策略的改进
•     5.2.1 股票组合和指数收益率的波动性分析
•     5.2.2 改进策略的构建
•     5.2.3 改进策略的回测
• 第六章 总结与展望
•   6.1 研究总结
•   6.2 研究的不足与展望
• 参考文献
• 致谢
• 学位论文评阅及答辩情况表

文章来源

类型: 硕士论文

作者: 许美莹

导师: 石玉峰

关键词: 深度森林,股指涨跌预测,离散化特征,投资策略

来源: 山东大学

年度: 2019

分类: 基础科学,经济与管理科学

专业: 数学,宏观经济管理与可持续发展,金融,证券,投资

单位: 山东大学

分类号: F832.51;F224

总页数: 58

文件大小: 2886K

下载量: 289