基于Adaboost和正则化ELM的混合金融时间序列预测模型及其应用

发布时间：2018-05-14 11:44

  本文选题：小波分析 + 变量选择　； 参考：《数理统计与管理》2017年01期

【摘要】：为提高金融时间序列的预测精度,本文提出了基于MODWT、MCP变量选择方法和RELM_Adaboost的混合预测模型。该模型由三步构成:第一步,收集特征变量,包括MODWT分解得到的特征变量以及常用的技术指标;第二步,利用MCP惩罚方法从上述特征变量中选取重要的作为输入变量;第三步,利用Mnet惩罚正则化ELM,将RELM视作弱预测器,然后用Adaboost算法生成强预测器进行预测。实证结果显示:第一,经过MCP方法的筛选,最终的输入变量中不仅包含常用技术指标,还有小波分解所得的变量。第二,混合预测模型RELM_Adaboost有良好的泛化误差表现。本文提出的模型在量化交易时代具有良好的应用前景。
[Abstract]:In order to improve the prediction accuracy of financial time series, a mixed forecasting model based on MODWT-MCP variable selection method and RELM_Adaboost is proposed in this paper. The model consists of three steps: in the first step, the characteristic variables are collected, including the characteristic variables obtained by MODWT decomposition and the commonly used technical indicators; in the second step, the important variables are selected as input variables from the above characteristic variables by using the MCP penalty method; the third step, Using Mnet to regularize ELM, RELM is regarded as a weak predictor, and then strong predictor is generated by Adaboost algorithm. The empirical results show that: first, after the MCP method, the final input variables include not only the commonly used technical indicators, but also the wavelet decomposition variables. Second, the mixed prediction model RELM_Adaboost has a good generalization error performance. The model proposed in this paper has a good application prospect in the era of quantitative trading.
【作者单位】： 上海财经大学统计与管理学院;
【基金】：国家自然科学基金资助项目(71271128,71331006,71571113) 长江学者和创新团队发展计划(上海财经大学:IRT13077) 上海财经大学创新团队支持计划
【分类号】：F831.51;O211.61

【相似文献】

相关期刊论文 前10条

1 王海川,张立明;一种新的Adaboost快速训练算法[J];复旦学报(自然科学版);2004年01期

2 李振;;基于Adaboost的人脸检测[J];科技信息(科学教研);2007年31期

3 李亚琼;赵春晖;潘泉;张绍武;;新的AdaBoost算法评价体系[J];计算机工程与应用;2009年08期

4 何海燕;施培蓓;;基于改进AdaBoost算法的行人检测方法[J];安庆师范学院学报(自然科学版);2009年03期

5 戴青云;程俊红;;AdaBoost算法在人脸识别中的应用[J];黑龙江科技信息;2009年36期

6 刘礼辉;;基于Adaboost的快速人脸检测系统[J];科技风;2009年03期

7 吕慧娟;武澎;;基于改进的AdaBoost算法的人脸检测[J];河南大学学报(自然科学版);2010年01期

8 李锐;王卷乐;任正超;;基于AdaBoost算法的城镇建设用地遥感动态提取研究[J];国土资源遥感;2010年02期

9 李文辉;倪洪印;;一种改进的Adaboost训练算法[J];吉林大学学报(理学版);2011年03期

10 韩敏;穆大芸;;基于Adaboost算法的回声状态网络预报器[J];控制理论与应用;2011年04期

相关会议论文 前10条

1 Wen Feng;;A Novel Lips Detection Method Combined Adaboost Algorithm and Camshift Algorithm[A];2012年计算机应用与系统建模国际会议论文集[C];2012年

2 张超;苗振江;;基于AdaBoost的面部信息感知[A];第十三届全国信号处理学术年会（CCSP-2007）论文集[C];2007年

3 郭翌;汪源源;;基于Adaboost算法的颈动脉粥样硬化判别方法[A];中国仪器仪表学会第十一届青年学术会议论文集[C];2009年

4 张红梅;高海华;王行愚;;抑制样本噪声的AdaBoost算法及其在入侵检测中的应用[A];2007年中国智能自动化会议论文集[C];2007年

5 陆文聪;钮冰;金雨欢;;基于AdaBoost算法的亚细胞位置预测[A];中国化学会第26届学术年会化学信息学与化学计量学分会场论文集[C];2008年

6 陈宏伟;刘建伟;费向东;;一种半监督环境下的Adaboost算法[A];2008'中国信息技术与应用学术论坛论文集（二）[C];2008年

7 唐晓丹;苗振江;;基于AdaBoost和粒子滤波的目标跟踪[A];第十四届全国图象图形学学术会议论文集[C];2008年

8 张彬;金连文;;基于AdaBoost的手写体汉字相似字符识别[A];第二十六届中国控制会议论文集[C];2007年

9 ;Using Skin Color and HAD-AdaBoost Algorithm for Face Detection in Color Images[A];Information Technology and Computer Science—Proceedings of 2012 National Conference on Information Technology and Computer Science[C];2012年

10 肖磊;李丽;肖佳文;;基于AdaBoost-SVM的上市公司信用风险评估[A];2012管理创新、智能科技与经济发展研讨会论文集[C];2012年

相关博士学位论文 前4条

1 佟旭;基于复杂网络理论的糖尿病肾病辨证建模研究[D];北京中医药大学;2016年

2 刘冲;模拟电路故障诊断AdaBoost集成学习方法研究[D];大连海事大学;2011年

3 张太宁;人眼注视点估计方法的研究[D];南开大学;2013年

4 赵培英;基于智能计算的膜蛋白结构与相互作用预测研究[D];东华大学;2010年

相关硕士学位论文 前10条

1 皮丽琴;基于AdaBoost-GASVM算法和LDA主题模型的短文本分类研究[D];华南理工大学;2015年

2 孙斌;一种基于Adaboost的实时行人检测算法[D];华南理工大学;2015年

3 蔡泽彬;基于视频分析的行人检测及统计方法研究[D];华南理工大学;2015年

4 游晴;Adaboost人脸检测算法研究及其在硬件平台上的实现[D];昆明理工大学;2015年

5 宋雨;基于视觉图片的脑—机接口控制研究[D];天津理工大学;2015年

6 林欣;基于改进肤色模型的AdaBoost人脸检测算法研究[D];陕西科技大学;2015年

7 袁浩杰;Adaboost算法的并行化及其在目标分类中的应用[D];华南理工大学;2015年

8 张恒;基于近红外图像的疲劳驾驶检测研究与系统实现[D];长安大学;2015年

9 朱非易;基于不平衡学习的蛋白质—维生素绑定位点预测研究[D];南京理工大学;2015年

10 张元;一种基于AdaBoost的组合分类算法研究[D];四川师范大学;2015年

，

本文编号：1887719