基于XGBoost的股指涨跌预测策略研究

量化投资作为一种投资管理的新方法,在欧美国家发展已达40年之久,在国内也受到较大关注。论文对沪深300股票的数据进行预测,依据年度财务报告数据进行分析,采用XGBoost算法建立模型,基于网格搜索算法得出最佳权重,并分别对LR算法、随机森林算法、SVM算法和XGBoost算法进行分析,证明了XGBoost算法在预测的准确度上是较优的。

基于GRU的股票涨跌预测

为预测股票价格的涨跌,提出一种基于门控循环网络(GRU)方法.通过对涨跌幅度做多值量化,并根据其涨跌幅分布将涨跌进行3分类,模型的输入是中证100成分股的股票基本交易特征,利用GRU对其训练,最后对股票的涨跌做分类预测.实验结果表明,该模型在预测中证100整体股票价格涨跌上有较好的预测效果;对某一只股票的预测准确率与选取的股票有关.

基于GARCH-SVM和AR-SVM的个股涨跌预测

提出一种基于GARCH-SVM、AR-SVM和投资者关注度及情绪指标的股票涨跌预测方法。结果表明,加入GARCH或AR等时间序列模型的初步预测结果可以提高SVM预测准确率,这种SVM预测算法既考虑到时间序列的特性,又解决了多变量非线性分类问题。同时,通过加入投资者关注度和投资者情绪的相关指标,可以进一步提高SVM预测的有效性。研究结果还表明,与牛市和熊市相比,投资者关注度和情绪指标在震荡市中对预测精度的影响更大。

基于集成式长短期记忆神经网络模型的股价涨跌预测分析

在股价预测领域,预测的准确率比估计的相合性更有价值,因此保证相合估计的传统线性模型正逐渐被长短期记忆神经网络(long short-term memory,简称LSTM)等深度学习方法替代.然而,影响股价的因素是多源的,不仅包括股市历史交易信息,还包括企业基本面信息和宏观经济信息等,这些不同来源的信息间有长期确定关系,而关于此关系的数据记忆会被传统LSTM模型在学习过程中抛弃.构建“集成式长短期记忆神经网络模型”即ensemble LSTM,应用动态网络生成机制保证不同来源数据间的长期均衡关系不会被遗忘,且采用多个LSTM并联,让各神经网络独立处理单来源数据,再通过稠密层融合,因此该模型具有节约运算资源的能力.随机选取了16支个股,对比LSTM和ensemble LSTM在预测股价涨跌方面的性能,发现后者在节约运算资源上具有优势,且准确率也大多高于前者.

基于Xgboost算法的国际期货涨跌预测分析

基于高效复杂的xgboost算法构建了分类预测模型,对最近三年国际期货的日交易数据进行了训练测试。该模型通过调参工具遍历所有参数组合,得出最优参数。然后,对比于决策树、随机森林、支持向量机算法,结合多个评价指标进行综合评价。实验表明,xgboost算法构建的模型各项指标均高于其他算法,综合预测能力更好。同时,也为期货价格预测提供了一种有效的新方法。

基于LSTM-GA的股票价格涨跌预测模型

在量化金融领域中,如何对股票价格进行准确的预测,成为当前研究的重要问题。LSTM网络算法的出现,较好地解决了股票价格预测的复杂序列化数据学习问题。但是,当前研究结果表明,若是单一采用LSTM算法仍然存在预测不平衡、局部极值不准确等问题。GA(遗传算法)的解释在当前金融界中尚没有一定准确定论,但是其在解决调参问题上有着突出效用。在构建新型股票价格预测模型时,首先可以采用LST神经网络算法对收盘价进行预测,然后采用GA遗传算法保证模型预测的准确性,通过辨别机制,最终获取股票价格涨跌信号。基于此,文章针对现有LSTM模型的原理及应用进行了综合分析,并突出说明了LSTM-GA在股票价格预测领域中的应用。

基于经验模态分解与投资者情绪的Attention-BiLSTM股价趋势预测模型

股票价格的变动是投资者在股票市场关注的焦点,所以股价趋势预测一直是量化投资研究的热门话题。传统的机器学习预测模型难以处理非线性、高频率、高噪声的股价时间序列,使得股票价格趋势的预测精度低。为了提高预测精度,针对股票价格数据的时序性特征,提出用结合经验模态分解(EMD)、投资者情绪和注意力机制的双向长短期记忆神经网络来对股票价格进行涨跌预测。首先使用经验模态分解算法提取股票价格时间序列在不同时间尺度上的特征,并通过构建金融情感词典来提取上一个股票交易日收盘后至下一个交易日开盘前文本的投资者情绪指标,最后使用注意力机制优化的BiLSTM模型对下一个股票交易日进行涨跌预测。在股票价格序列的数据集上进行实验,结果表明,改进后的BiLSTM模型较改进前的BiLSTM模型,准确率从58.50%提升至71.26%;预测为涨的精确率从58.20%提升至70.06%,预测为跌的精确率从59.34%提升至72.36%;预测为涨的召回率从59.85%提升至73.41%,预测为跌的召回率从57.73%提升至69.11%;预测为涨的F1值从58.60%提升至71.61%,预测为跌的F1值从58.08%提升至70.53%;最终通过与长短期记忆(LSTM)网络、基于Attention机制的LSTM(Attention-LSTM)、支持向量机(SVM)、极端梯度提升(XGBoost)等4种典型的股价涨跌预测模型结果对比,验证了所提模型的准确有效性。

支持向量机在股票价格预测中的应用

综合在中国市场上流行的主要几种技术指标,应用支持向量机分类方法,对个股的价格涨跌进行预测分析.以当前几天的技术指标值为输入向量,若下一天的股价上涨则把该向量归为正类,若下跌则把它归为负类.先利用支持向量机对样本进行训练学习,建立一个分类模式,然后根据当天及前3天指标数据对明天股价进行预测,实证结果表明对个股的预测准确率都大于60%.

利用社交媒体情感分析的短期股价趋势预测方法

本文旨在利用社交媒体中的情感信息来提升股价涨跌预测性能.与以往粗粒度地使用文本中的情感信息不同,将与某公司特定话题相关的细粒度情感信息引入预测模型中,并提出一个用于短期股价预测的全新特征——“话题情感”,该特征同时抽取话题和情感信息,并协同利用二者来预测股价涨跌.此外,以往的测试数据集中交易日数量非常少或者仅包含单支股票的数据,本文方法构建了包含众多股票的长时间跨度数据集,并在此数据集上验证了细粒度情感分析对股价涨跌预测的良好效用.

基于LSTM的量化股票预测

股票特征通常夹杂较多噪声数据,而带噪数据会影响股票预测模型的预测精度。本文提出一种对股票数据特征进行量化编码的方法,并使用长短期记忆网络构建预测模型,对量化后的数据进行预测。数据集采用沪深300成分股,在对股票数据量化后进行3分类涨跌幅预测。实验结果表明,使用量化编码对股票特征处理后,预测效果优于使用原始数据预测。

机器学习在投资组合中的应用研究

随着我国股票市场的快速发展,对投资组合进行优化的重要性逐步凸显。选择优良的股票是个人投资者获取盈利的首要且关键的一步。运用6种机器学习算法预测沪深300指数成分股的上涨概率,依次选取上涨概率最高的前k只股票。运用蒙特卡罗模拟方法对选取的前k只股票构建最优资产配比,以夏普比率为评价指标。最后构建RSI交易策略对这k只股票进行回测,观察其收益是否优于买入并持有沪深300指数。研究结论:1.AdaBoost模型对股票价格走势预测具有比较理想的预测结果,预测的准确率和F1-Value均高达70%以上;2.构建的投资组合夏普比率为0.6165,说明该投资组合每承受1单位风险能带来0.6165单位的超额收益,较为优良;3.机器学习算法选出的k只股票回测结果均较优,胜率都超过65%,最大回撤大多低于20%,说明机器学习算法在选股上具有一定优势。

融合经验模态分解与深度时序模型的股价预测

对股票价格的建模和预测是金融研究领域中一项重要而富有挑战性的工作,它对于投资者降低决策风险,提高投资收益具有重要意义.股票价格序列的非线性、高噪声、强时变性等复杂特性,使得现有的方法无法有效提高预测准确性.为了解决这个问题,本文提出一种基于技术因子经验模态分解与嵌入时间注意力网络(EAN)的股票价格涨跌预测模型TE-EAN.该模型利用经验模态分解对传统技术因子进行分解去噪,得到高频和低频的特征序列.然后将这些具有明显趋势特征的序列映射到新的表示空间中,同时利用深层门控循环单元学习依赖于时间的隐藏嵌入.最后通过时间注意力自适应地聚合时间维度信息以降低信息冗余,实现对股票价格涨跌的预测.同时,针对股票价格序列强时变性的特点采用顺序参数迭代更新的训练方法,进一步提高了预测的准确性.在随机抽取的25只沪深300指数成分股上的实验结果表明,该模型可以有效预测股票价格的涨跌,模型AUC最高达0.732.