基于XGBoost的沪深300股指期货交易策略研究
发布时间：2021-08-07 11:57
股票指数是为度量股票市场总体价格水平变动趋势而编制的价格指数,它能够灵敏的反映出所在国经济的变化状况,因而有现代经济“晴雨表”的称号。以股票指数为交易对象的股指期货也因此有着巨大的投资价值,国内外很多研究者都一直在尝试用各种方法对其价格变化进行预测。XGBoost（eXtreme Gradient Boosting）是一种比较新的机器学习算法,具有较高的运算效率和准确率,基于这一算法建立模型对股指期货价格进行预测,能够在投资者进行投资决策时起到一定的帮助,具有较强的理论和现实意义。本文在前期对证券价格预测模型的研究及相关文献梳理的基础上,通过优化输入向量及采取更为科学的对抗过拟合的方法,提升了XGBoost算法在股指期货价格上的预测效果。首先,本文对沪深300指数在样本区间内的走势做了深入的分析,建立了包含趋势型、超买超卖型、成交量型、停损型四大类共计46个技术指标的因子池,以保证股指期货价格中所包含的信息能够得到充分的挖掘。其次,依据XGBoost模型在训练完成后计算出的各个特征的重要性得分,筛选出重要性排名较高的特征作为预测模型的输入向量,这一做法在降低了模型的复杂度的同时,也提高...
【文章来源】：西北大学陕西省 211工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
离群值处理后部分因子值展示（1）Zscore法，也称为零-均值规范化法
4. 2 .2 特征 值的 标 准 化处 理 当各 因 子 值之 间 量 级 相差 比 较 大时 不 便 于我 们 对 其 进行 比 较 ，也有 可 能 会对 的训 练效 果 造成 不 确 定的 影 响， 而 数 据 标 准化 能 够统 一不 同 因 子 之间 的 量 纲 ，使 据更 加集 中 ， 便于 各 因子 进 行 进 一步 的 比 较。 图 10 展示 了 经 过 离群 值 处 理 后的 因子 的因 子 值， 可 以 很明 显 看 到 因子 值 之 间存 在 着明 显的 大 小 差 异， 比 如 成 交量 的数 值明 显 比其 他 因 子 高出 很 多 数 量级 。 常用 的标 准 化方 法 主要 有 Z s co r e法、 -最 小 规 范法 两 种 。 图9 BB I 因 子 在离 群值 处 理 前后 的 分 布情 况
第四 章 基于 X GB o o st 的股 指期 货 涨跌 预 测模 型 ma xmi nmi n^xxxxx = 相比 于 Z s co r e法， 这 种方 法 的优 势 在于 即 能 够 消除 因 子 之间 的 量 纲 ，同改 变因 子 值的 方 向 ，而 缺 点 在 于当 因 子 值的 最 大值 和最 小 值 相 差很 大 时， 可 处 理后 的 部分 因 子 值接 近 于 零 ，但 是 基 于前 面 的数 据离 群 化 处 理后 ， 这 一 风到 有 效 的规 避 。 本文 采 取 的是 最 大 - 最 小 规范 法 。下图 展示 了 BB I( 多空 线 指 标 )技 术 因 子在 化 处理 之 后的 概 率 密度 分 布 情 况， 可以 发 现此 前 数 值 相差 很 大 的两 个 因 子 经量 级 得 到了 统 一 。
【参考文献】：
期刊论文
[1]基于特征选择和HMM的股票价格行为研究[J]. 喻永生,谢天异丹,刘畅,郭靖雯,张卫东. 信息技术与网络安全. 2018(08)
[2]GBDT组合模型在股票预测中的应用[J]. 张潇,韦增欣,杨天山. 海南师范大学学报(自然科学版). 2018(01)
[3]股指期货是股灾的“幕后推手”吗——基于2015年股灾期间沪深300股指期货高频数据实证分析[J]. 杨林,杨雅如. 财经理论与实践. 2017(03)
[4]信用评估中的特征选择方法研究[J]. 熊志斌. 数量经济技术经济研究. 2016(01)
[5]基于C4.5决策树的股票数据挖掘[J]. 王领,胡扬. 计算机与现代化. 2015(10)
[6]金融危机期间跨市场波动风险预警的遗漏——跨境期现货市场间波动溢出[J]. 柴尚蕾. 系统工程. 2015(06)
[7]基于随机森林的保险客户利润贡献度研究[J]. 方匡南,吴见彬,谢邦昌. 数理统计与管理. 2014(06)
[8]一类基于信息熵的多标签特征选择算法[J]. 张振海,李士宁,李志刚,陈昊. 计算机研究与发展. 2013(06)
[9]基于差值灰色RBF网络模型股票指数预测[J]. 薛佳佳. 统计与决策. 2012(22)
[10]GA-SVM对上证综指走势的预测研究[J]. 张伟,李泓仪,兰书梅,张洁. 东北师大学报(自然科学版). 2012(01)
硕士论文
[1]基于机器学习的沪深300指数走势预测研究[D]. 邹玉江.山东大学 2018
[2]随机森林在技术指标量化选股中的应用[D]. 吴卫星.电子科技大学 2018
[3]基于支持向量机理论的股指期货量化交易策略研究[D]. 李汉琛.浙江大学 2016
[4]基于SVMAdaBoost模型的股票涨跌实证研究[D]. 詹财鑫.华南理工大学 2013
本文编号：3327756
【文章来源】：西北大学陕西省 211工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
离群值处理后部分因子值展示（1）Zscore法，也称为零-均值规范化法
4. 2 .2 特征 值的 标 准 化处 理 当各 因 子 值之 间 量 级 相差 比 较 大时 不 便 于我 们 对 其 进行 比 较 ，也有 可 能 会对 的训 练效 果 造成 不 确 定的 影 响， 而 数 据 标 准化 能 够统 一不 同 因 子 之间 的 量 纲 ，使 据更 加集 中 ， 便于 各 因子 进 行 进 一步 的 比 较。 图 10 展示 了 经 过 离群 值 处 理 后的 因子 的因 子 值， 可 以 很明 显 看 到 因子 值 之 间存 在 着明 显的 大 小 差 异， 比 如 成 交量 的数 值明 显 比其 他 因 子 高出 很 多 数 量级 。 常用 的标 准 化方 法 主要 有 Z s co r e法、 -最 小 规 范法 两 种 。 图9 BB I 因 子 在离 群值 处 理 前后 的 分 布情 况
第四 章 基于 X GB o o st 的股 指期 货 涨跌 预 测模 型 ma xmi nmi n^xxxxx = 相比 于 Z s co r e法， 这 种方 法 的优 势 在于 即 能 够 消除 因 子 之间 的 量 纲 ，同改 变因 子 值的 方 向 ，而 缺 点 在 于当 因 子 值的 最 大值 和最 小 值 相 差很 大 时， 可 处 理后 的 部分 因 子 值接 近 于 零 ，但 是 基 于前 面 的数 据离 群 化 处 理后 ， 这 一 风到 有 效 的规 避 。 本文 采 取 的是 最 大 - 最 小 规范 法 。下图 展示 了 BB I( 多空 线 指 标 )技 术 因 子在 化 处理 之 后的 概 率 密度 分 布 情 况， 可以 发 现此 前 数 值 相差 很 大 的两 个 因 子 经量 级 得 到了 统 一 。
【参考文献】：
期刊论文
[1]基于特征选择和HMM的股票价格行为研究[J]. 喻永生,谢天异丹,刘畅,郭靖雯,张卫东. 信息技术与网络安全. 2018(08)
[2]GBDT组合模型在股票预测中的应用[J]. 张潇,韦增欣,杨天山. 海南师范大学学报(自然科学版). 2018(01)
[3]股指期货是股灾的“幕后推手”吗——基于2015年股灾期间沪深300股指期货高频数据实证分析[J]. 杨林,杨雅如. 财经理论与实践. 2017(03)
[4]信用评估中的特征选择方法研究[J]. 熊志斌. 数量经济技术经济研究. 2016(01)
[5]基于C4.5决策树的股票数据挖掘[J]. 王领,胡扬. 计算机与现代化. 2015(10)
[6]金融危机期间跨市场波动风险预警的遗漏——跨境期现货市场间波动溢出[J]. 柴尚蕾. 系统工程. 2015(06)
[7]基于随机森林的保险客户利润贡献度研究[J]. 方匡南,吴见彬,谢邦昌. 数理统计与管理. 2014(06)
[8]一类基于信息熵的多标签特征选择算法[J]. 张振海,李士宁,李志刚,陈昊. 计算机研究与发展. 2013(06)
[9]基于差值灰色RBF网络模型股票指数预测[J]. 薛佳佳. 统计与决策. 2012(22)
[10]GA-SVM对上证综指走势的预测研究[J]. 张伟,李泓仪,兰书梅,张洁. 东北师大学报(自然科学版). 2012(01)
硕士论文
[1]基于机器学习的沪深300指数走势预测研究[D]. 邹玉江.山东大学 2018
[2]随机森林在技术指标量化选股中的应用[D]. 吴卫星.电子科技大学 2018
[3]基于支持向量机理论的股指期货量化交易策略研究[D]. 李汉琛.浙江大学 2016
[4]基于SVMAdaBoost模型的股票涨跌实证研究[D]. 詹财鑫.华南理工大学 2013
本文编号：3327756
本文链接：https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/3327756.html
