基于Voting融合算法的上证综指涨跌预测方案策划

发布时间：2020-11-12 14:27

　　 近年来随着数据挖掘和机器学习的兴起,在一些量化投资领域也开始研究将投资策略融合机器学习的方法,并获得了不错的研究成果。使用这些方法一方面克服了传统指标回测方法无法对多种因素同时考虑的缺陷,使计算机可以像投资者一样对当前的市场行情进行多方面的综合研判。另一方面,得益于以神经网络、支持向量机、组合提升算法为代表的一批复杂模型的广泛使用,为研究者更好的拟合股票的混沌走势提供了可能。而在最近,由于受到贸易战的影响,我国股市一落千丈,整个证券市场情绪低迷,股市的日交易量也屡创新低。自美国政府宣布欲对中国商品征税后,上证指数从前期的3300点左右一路下跌,至今为止一直在2600点左右徘徊,大量上市公司的股价跌破发行价位,投资者损失惨重。如果我们能够有效的判断股票市场未来的走势,那么就能在一定程度上降低投资者的损失,规避投资者因自身不合理的投资情绪和行为带来的风险。基于此,本文利用上证综指2014年-2018年近5年的55个技术指标数据,首先通过Logit回归、SVM、朴素贝叶斯、随机森林、神经网络和XGBoost等6种不同的机器学习方法,预测指数的第二日涨跌情况。再探索Voting和Stacking两种不同融合方式下最优融合模型的组合,结果发现,两种融合方法均能够在一定程度上提升单一模型的预测准确率。但Voting融合的整体效果要强于Stacking融合。在硬投票方式下,最佳融合模型的组合方式为SVM、神经网络和XGBoost这3个模型的融合;软投票方式下,最佳融合模型的组合方式为Logit回归、随机森林、神经网络这3个模型的融合。而在Stacking融合中,将朴素贝叶斯、神经网络作为第一层的输入模型,Logit回归作为第二层的输出模型时所得到的融合模型准确率高于单一模型。最后,本文利用模型的预测情况构造指数交易策略并进行回测。结果表明,融合模型不仅提高了模型的整体预测准确率,还提升了模型的整体收益能力。
【学位单位】：上海师范大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F832.51
【部分图文】：

4图 1.1 论文框架1.4 本文的主要贡献本文通过模型融合的方式对上证综指第二日涨跌进行预测，探索在本文的应用场景下，不同投票融合方式下的模型的最优组合方式，结果发现，两种融合方法均能够在一定程度上提升单一模型的预测准确率。但 Voting 融合的整体效果要强于 Stacking 融合。在硬投票方式下，最佳融合模型的组合方式为 SVM、神

海师范大学硕士学位论文 第 2 章 文献综述和相关理论()(|)()(|)PxPxyPyPyxiii=（2-9）P(x)在训练集给定的情况下为常数，因此只要将分子最大化，又因为各特征属性是条件独立的，所以有：()(|)(|)()(|)(|)(|)()iimj1iii1i2imiiPyPayPxyPyPayPayPayPy== = （2-10）2.2.3 BP 神经网络原理人工神经网络根据人脑工作的生物学原理，对人脑进行简单的模拟，是一种模仿大脑的机器学习智能算法，它具有自身独特的非线性信息处理能力，能够通过自适应和自主学习获取获取信息，储存在神经网络中，反复进行学习和训练。

上海师范大学硕士学位论文 第 2 章 文献综述和相关理论具体的权重可以通过权重参数 weights 分配给每个分类器。当提供权重参数weights 时，收集每个分类器的预测分类概率，乘以分类器权重并取平均值。然后从具有最高平均概率的类别标签导出最终类别标签。目前在其他领域应用比较多的是算术平均法（python 中默认的是算术平均）。也可根据模型表现赋权，以下例子中我们可以得出某只股票的预测结果是跌。（小数表示单一分类器预测结果的概率，分数表示单一分类器的权重）表 2.2 软投票案例分类器 1（涨） 0（跌）SVM 0.6*1/4 0.4*1/4随机森林 0.3*2/4 0.7*2/4XGBoost 0.5*1/4 0.5*1/4权重平均 0.425 0.5752.2.8 Stacking 算法
【相似文献】

相关期刊论文 前10条

1 ;上证综指[J];股市动态分析;2018年48期

2 ;上证综指[J];股市动态分析;2019年10期

3 ;上证综指[J];股市动态分析;2018年15期

4 ;上证综指[J];股市动态分析;2018年40期

5 ;上证综指[J];股市动态分析;2018年39期

6 ;上证综指[J];股市动态分析;2017年14期

7 ;上证综指[J];股市动态分析;2017年16期

8 胡语文;;股市3000点,房市3万点[J];股市动态分析;2016年38期

9 胡语文;;上证综指仍可能考验3000点[J];股市动态分析;2018年20期

10 王涛;;莫在指数基金中迷失方向[J];大众理财顾问;2010年01期

相关博士学位论文 前2条

1 董颖红;微博客社会情绪的测量及其与社会风险感知和风险决策的关系[D];南开大学;2014年

2 陈玮光;中国证券投资者信心指数构建及实证研究[D];湖南大学;2014年

相关硕士学位论文 前10条

1 金国鹏;基于Voting融合算法的上证综指涨跌预测方案策划[D];上海师范大学;2019年

2 王定;基于WaveNet条件时序卷积模型的上证综指收益率预测[D];兰州大学;2019年

3 谢蕙泽;上证综指波动性特征及影响因素研究[D];湖南大学;2017年

4 朱默柔;基于MCMC估计MS-GARCH模型的上证综指实证分析[D];清华大学;2016年

5 张洪辰;通过新浪微博数据挖掘预测上证综指走向[D];首都经济贸易大学;2014年

6 张子栋;上证综指波动率偏度研究[D];内蒙古大学;2012年

7 徐敏;上证综指非线性理论研究与实证分析[D];浙江工商大学;2010年

8 蒋娅;基于上证综指大幅波动后的股价短期行为研究[D];南京理工大学;2010年

9 成朴;上证综指与我国宏观经济增长关系研究[D];西北大学;2017年

10 谢平;汇率、国内外债券收益率对我国上证综指的影响分析[D];上海外国语大学;2017年

本文编号：2880847