基于KPCA-gcForest的股指期货价格预测与量化策略构建

发布时间：2023-05-07 23:47

　　在传统预测方法难以解决金融时间序列噪音大、非线性等问题时,机器学习逐渐凭借在复杂数据分类和回归上的性能优势而广泛应用于量化投资。同时多样的特征处理方法也能够帮助投资者挖掘更多金融时序数据中的特征信息,从而降低预测的难度。伴随中国期货市场的发展与完善,股指期货交易成为量化投资领域的研究重点,研究者逐渐聚焦于探索多种特征处理和机器学习方法在股指期货量化投资中的应用。本文以沪深300股指期货作为研究对象,首先选择机器学习领域前沿的深度森林模型(Deep Forest,gcForest),根据股指期货的历史行情数据预测其价格涨跌,并与SVM、XGBoost模型的预测结果作对比。其次,选择技术指标因子和历史行情数据构成26维输入特征,运用核主成分分析(Kernel Principal Component Analysis,KPCA)方法进行特征降维和提取,形成KPCA-gcForest组合模型,在经过训练后用于预测股指期货价格涨跌。最后,选择该组合模型构建以沪深300股指期货为交易对象的量化择时策略,并基于回测结果对该策略进行优化。本文的研究结果表明:第一,gcForest模型在与SVM、XGB...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 研究思路与方法
        1.2.1 研究思路
        1.2.2 研究方法
    1.3 研究内容与框架
        1.3.1 研究内容
        1.3.2 研究框架
    1.4 创新点与不足
        1.4.1 创新之处
        1.4.2 不足之处
第二章 相关理论与文献综述
    2.1 相关理论
        2.1.1 KPCA核主成分分析
        2.1.2 gcForest算法
    2.2 文献综述
        2.2.1 国外研究现状
        2.2.2 国内研究现状
    2.3 文献述评
第三章 基于gcForest模型的股指期货价格预测
    3.1 股指期货数据统计分析
        3.1.1 历史行情数据描述
        3.1.2 股指期货收益率分布
    3.2 基于gcForest的预测模型构建
        3.2.1 输入变量标准化处理
        3.2.2 输出标签分类
        3.2.3 模型超参数选择
        3.2.4 模型训练过程
    3.3 模型预测结果分析
        3.3.1 混淆矩阵及衍生指标
        3.3.2 ROC曲线及AUC值
    3.4 gcForest与其他机器学习模型预测效果对比
        3.4.1 对比模型选择
        3.4.2 对比结果分析
第四章 基于KPCA-gcForest模型的股指期货价格预测
    4.1 模型输入特征选择
        4.1.1 股指期货技术指标的提取
        4.1.2 输入特证相关性检验
    4.2 使用KPCA方法对输入特征降维
        4.2.1 输入特征标准化
        4.2.2 输入特征降维过程
    4.3 KPCA-gcForest组合模型的实证研究
        4.3.1 KPCA-gcForest模型的训练过程
        4.3.2 KPCA-gcForest模型的预测结果分析
第五章 股指期货量化交易策略构建
    5.1 基于KPCA-gcForest模型的股指期货择时策略构建
        5.1.1 数据准备
        5.1.2 策略思路
        5.1.3 策略回测结果
    5.2 股指期货择时策略的优化
        5.2.1 优化思路
        5.2.2 优化后的策略回测结果
结论及展望
参考文献



本文编号：3811566