基于小波去噪和随机森林算法的沪深300指数择时策略

发布时间：2020-07-25 19:10

【摘要】：随着大数据方法的广泛应用和量化投资的蓬勃发展,越来越多的专家和学者试着将大数据方法与股票市场预测结合起来,而指数走势预测无疑是最有实际意义的分析课题,不仅能用于市场大势研判,还有便捷的套利方式。从实际操作的角度来看,大量研究表明,集成类算法在金融市场预测方面的表现显著优于单一分类器的预测表现。但目前大多数基于集成算法的指数走势预测研究往往只关注技术指标,而忽视了各国股票市场之间的联动作用以及各大类资产之间的影响。本文除常用技术指标外,还将主要国际指数、期货与现货的基差、利率市场、汇率等多种指标纳入沪深300指数特征,在此基础上建立随机森林模型,进而进行指数预测。另一方面,通常认为股价走势由长期趋势和短期扰动共同构成,短期扰动的不确定性无疑给股价走势预测增加了难度。有的研究中采用均线来描述长期趋势,但这样做的问题在于均线有一定的滞后性。本文借用信号处理中常用的小波去噪方法来滤除短期扰动,使长期趋势得以体现,将小波去噪后的指数走势作为随机森林的特征之一。文章首先介绍了小波去噪和随机森林算法的理论基础,然后选取了5大类,共计30个指标来训练模型。并在300个交易日内每日建模、回测,并根据回测结果构建多空组合。结果表明:技术指标、其它重要国际股指、期货以及汇率的变动确实对预测沪深300指数的涨跌起到了作用,小波去噪后的走势也是预测沪深300指数涨跌的重要特征之一。该模型在300个交易日里的预测正确率为57%。根据模型构建的多空组合收益率显著高于指数。
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F832.5
【图文】：

波形,小波,波形,时域积分

华中科技大学硕士学位论文2 小波去噪和随机森林理论概述2.1 小波去噪介绍小波（ wavelet ），从图像上来看就是一种波形长度有限仅在非常短的时间内不为零且时域积分一定为零的特殊的波形。其中，波形长度有限、仅在非常短的时间内不为零这一特征又叫作时域具有紧支集或近似紧支集；时域积分一定为零这一规定暗含了小波图像的正负交替的波动规律。下图展示了一些常用的小波波形。

数据分布,森林,主要参数,示例

X1、X2、X3...表示的是训练集中的全部样本，f1、f2、f3...表示的是样本中的各个属性，A、B、C、D 表示各个决策树的分类结果。值得注意的是，随机森林中单棵决策树生成后是不用考虑剪枝的。随机森林具有以下优点：1) 随机森林模型训练速度快，还可以并行运算，大大提升了运算速度；2) 数据分布要求低，缺失值不敏感，即使不做数据预处理也不会对结果造成太大影响；3) 可以根据训练集数据给出各个特征的重要程度。2.2.3 随机森林模型的关键参数相比于神经网络等其它分类器，随机森林模型的表现对参数的依赖性更小。甚至有的情况下，即使使用默认参数随机森林模型也能取得较好的表现。但这并不意味着就不需要调整参数，我们依然可以发现通过格点搜索法寻找最优参数能一定程度上提高模型的表现。下图列举了随机森林模型的主要参数。

示意图,小波分解,效果,示意图

华中科技大学硕士学位论文沪深 300 指数小波去噪后的上一交易日收益率于股市中的动量和反转效应，很自然地想到根据近期趋势来判断次日数预测文献中通常用均线来反映趋势，但均线来代表趋势有反应滞后的去噪则能很好地回避均线滞后的缺点。本文采用的小波去噪方法为 ri阈值去噪，图 3.1、图 3.2、图 3.3、图 3.4 分别展示了不同层次的小的效果。可以观察到小波分解层次越高去噪效果越明显，越能反映指，但是对短期趋势的把握也越差，而低层次的小波分解则较好的保留的短期波动，能更好地反映小级别的趋势。很多文献都建议，对于价3~5 层小波分解，本文采用的是三层小波分解。

【参考文献】