基于随机森林优化的沪深300指数走势预测研究
发布时间：2021-02-13 05:19
随着人工智能出现及发展,“AI革命”也进入到了金融领域,金融领域进入到了大数据时代。以金融大数据为基础,对金融数据进行充分的数据挖掘,利用机器学习或者深度学习去构建过去历史金融数据间的联系,再通过最新的金融数据,做出相应的结果。投资者们就可以通过这些结果,对金融市场进行有效的分析和研究,减少自己的投资风险。量化投资是指通过使用金融大数据,对金融数据进行充分的数据挖掘,构建过去历史金融数据间的联系,利用各种金融衍生产品,调整投资策略,减少投资者的投资风险,提供良好收益。几十年来,对股市的预测一直是人们研究的对象,但鉴于其固有的复杂性、动态性和混乱性,它已被证明是一项非常艰巨的任务。要考虑的变量和信息来源的数量是巨大的,这使得预测未来股市价格走势的任务变得非常困难。几十年来,科学界一直在讨论这一壮举的可能性。本文在使用沪深300指数的交易数据中,挖掘并筛选出影响指数价格走势的特征,针对金融数据的特点,以随机森林模型（Random Forest,RF）为基础,结合遗传算法（Genetic Algorithm,GA）,建立GA—B—RF模型,构建出它们的内在联系预测沪深300指数未来单日的走势...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
图５．４：决策树数目和ＯＯＢ?ｓｃｏｒｅｓ关系??
?山东大学硕士学位论文???最后，模型中子决策树的数目参数设定为最优值１９０，子决策树的最大深度??参数设定为最优值３，将其他参数设为默认值，使用网格搜索，对随机森林允许??在单个树中尝试的最大特征数进行寻找，取遍给定区间的所有值，使用相应的??值在随机森林中训练，获取对应的ＯＯＢ?ｓｃｏｒｅ。本文从丨１，１７］寻找树的最大深??度，并计算出相对应ＯＯＢ?ｓｃｏｒｅ，经过排序比较，找到最优值。结果如图５．６。根??据子决策树使用的最多特征和００Ｂ?ｓｃｏｒｅ的关系，子决策树使用的最多特征的??最优值设定为４。??ＯＯＢ?ｓｃｏｒｅｓ?ｃｈａｎｇｅ?ｗｉｔｈ?ｍａｘ?ｆｅａｔｕｒｅｓ??０．５６０?－?｜??０．５５５?－?｜｜?Ｚ??ｉ＝：?Ｋ??Ｉ議－?／??ａｓｚｓ－?／＼｜?Ｖ??ａ５２Ｇ?Ｊ——ｒ—＾?，?，?，?，?ｆ——??２?４?６?８?１０?１２?１４??ｍａｘ?ｆｅａｔｙｒｅｓ??图５．６：子决策树使用的最多特征和ＯＯＢ?ｓｃｏｒｅｓ关系??将利用网格搜索优化后的的参数带入模型中，进行训练，对样本外测试数据??集进行预测分类，Ａｃｃｕｒａｃｙ达到５５．４１％，ＲＯＣ曲线如图５．７。??（二）遗传算法优化的ＲＦ预测??使用遗传算法对树的个数，决策树的最大深度和随机森林允许在单个树中尝??试的最大特征数进行优化；以三个参数一组构成一个个体。??优化过程：先做初始化，生成若干个个体。对于每个个体随机生成一组二进??制数，进行模拟，计算出适应度。对个体进行遗传选择、交叉和变异操作，经过??若干代（可以最大遗传代数或误差作为结束条件）遗传后，得到的就是经过优?
?山东大学硕士学位论文???：ｒ＾ｉ??＼??ｙ??／?———，??〇〇?＾?１?１?１?．???００?（Ｌ２?０４?０６?０８?１０??Ｆａｌｓｅ?Ｐｏｓｉｔｉｖｅ?Ｒａｔｅ??图５．７：网格搜索优化的随机森林ＲＯＣ曲线??：ｒ＾??Ｌ?Ｚ??￡＊?？—?ＲＯＣ?ｃｕｒｖｅ?（ａｒｅａ?？?０?５７２８）??０．０??ｉ?????＇???００?０．２?０４?０６?０８?１０??Ｆｄｌｓ？?Ｐ〇ｓ？ｉｖ？?Ｒｆｌｔｅ??图５．８：遗传算法优化的随机森林ＲＯＣ曲线??－３１?－??
【参考文献】：
期刊论文
[1]参数优化随机森林在股票预测中的应用[J]. 邓晶,李路. 软件. 2020(01)
[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]基于改进的支持向量机的股票预测方法[J]. 郝知远. 江苏科技大学学报(自然科学版). 2017(03)
[4]随机森林在量化选股中的应用研究[J]. 王淑燕,曹正凤,陈铭芷. 运筹与管理. 2016(03)
[5]随机森林模型在分类与回归分析中的应用[J]. 李欣海. 应用昆虫学报. 2013(04)
[6]基于随机森林的特征选择算法[J]. 姚登举,杨静,詹晓娟. 吉林大学学报(工学版). 2014(01)
[7]随机森林方法研究综述[J]. 方匡南,吴见彬,朱建平,谢邦昌. 统计与信息论坛. 2011(03)
[8]基于随机森林方法的基金收益率方向预测与交易策略研究[J]. 方匡南,朱建平,谢邦昌. 经济经纬. 2010(02)
[9]支持向量机在股票价格预测中的应用[J]. 张玉川,张作泉. 北京交通大学学报. 2007(06)
[10]基于支持向量机的股票预测[J]. 张晨希,张燕平,张迎春,陈洁,万忠. 计算机技术与发展. 2006(06)
本文编号：3032031
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
图５．４：决策树数目和ＯＯＢ?ｓｃｏｒｅｓ关系??
?山东大学硕士学位论文???最后，模型中子决策树的数目参数设定为最优值１９０，子决策树的最大深度??参数设定为最优值３，将其他参数设为默认值，使用网格搜索，对随机森林允许??在单个树中尝试的最大特征数进行寻找，取遍给定区间的所有值，使用相应的??值在随机森林中训练，获取对应的ＯＯＢ?ｓｃｏｒｅ。本文从丨１，１７］寻找树的最大深??度，并计算出相对应ＯＯＢ?ｓｃｏｒｅ，经过排序比较，找到最优值。结果如图５．６。根??据子决策树使用的最多特征和００Ｂ?ｓｃｏｒｅ的关系，子决策树使用的最多特征的??最优值设定为４。??ＯＯＢ?ｓｃｏｒｅｓ?ｃｈａｎｇｅ?ｗｉｔｈ?ｍａｘ?ｆｅａｔｕｒｅｓ??０．５６０?－?｜??０．５５５?－?｜｜?Ｚ??ｉ＝：?Ｋ??Ｉ議－?／??ａｓｚｓ－?／＼｜?Ｖ??ａ５２Ｇ?Ｊ——ｒ—＾?，?，?，?，?ｆ——??２?４?６?８?１０?１２?１４??ｍａｘ?ｆｅａｔｙｒｅｓ??图５．６：子决策树使用的最多特征和ＯＯＢ?ｓｃｏｒｅｓ关系??将利用网格搜索优化后的的参数带入模型中，进行训练，对样本外测试数据??集进行预测分类，Ａｃｃｕｒａｃｙ达到５５．４１％，ＲＯＣ曲线如图５．７。??（二）遗传算法优化的ＲＦ预测??使用遗传算法对树的个数，决策树的最大深度和随机森林允许在单个树中尝??试的最大特征数进行优化；以三个参数一组构成一个个体。??优化过程：先做初始化，生成若干个个体。对于每个个体随机生成一组二进??制数，进行模拟，计算出适应度。对个体进行遗传选择、交叉和变异操作，经过??若干代（可以最大遗传代数或误差作为结束条件）遗传后，得到的就是经过优?
?山东大学硕士学位论文???：ｒ＾ｉ??＼??ｙ??／?———，??〇〇?＾?１?１?１?．???００?（Ｌ２?０４?０６?０８?１０??Ｆａｌｓｅ?Ｐｏｓｉｔｉｖｅ?Ｒａｔｅ??图５．７：网格搜索优化的随机森林ＲＯＣ曲线??：ｒ＾??Ｌ?Ｚ??￡＊?？—?ＲＯＣ?ｃｕｒｖｅ?（ａｒｅａ?？?０?５７２８）??０．０??ｉ?????＇???００?０．２?０４?０６?０８?１０??Ｆｄｌｓ？?Ｐ〇ｓ？ｉｖ？?Ｒｆｌｔｅ??图５．８：遗传算法优化的随机森林ＲＯＣ曲线??－３１?－??
【参考文献】：
期刊论文
[1]参数优化随机森林在股票预测中的应用[J]. 邓晶,李路. 软件. 2020(01)
[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]基于改进的支持向量机的股票预测方法[J]. 郝知远. 江苏科技大学学报(自然科学版). 2017(03)
[4]随机森林在量化选股中的应用研究[J]. 王淑燕,曹正凤,陈铭芷. 运筹与管理. 2016(03)
[5]随机森林模型在分类与回归分析中的应用[J]. 李欣海. 应用昆虫学报. 2013(04)
[6]基于随机森林的特征选择算法[J]. 姚登举,杨静,詹晓娟. 吉林大学学报(工学版). 2014(01)
[7]随机森林方法研究综述[J]. 方匡南,吴见彬,朱建平,谢邦昌. 统计与信息论坛. 2011(03)
[8]基于随机森林方法的基金收益率方向预测与交易策略研究[J]. 方匡南,朱建平,谢邦昌. 经济经纬. 2010(02)
[9]支持向量机在股票价格预测中的应用[J]. 张玉川,张作泉. 北京交通大学学报. 2007(06)
[10]基于支持向量机的股票预测[J]. 张晨希,张燕平,张迎春,陈洁,万忠. 计算机技术与发展. 2006(06)
本文编号：3032031
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3032031.html
