机器学习模型在股票价格时间序列分析中的应用与比较

美国华盛顿大学西雅图校区 李 超

股票市场是国度经济的主要表现，股价的走势是股票投资者存眷的核心问题。由于股票价格固有的噪声环境和相对市场趋势的较大波动性，股价的拟合和预测是一个具有挑战性的问题。本文使用了随机森林、GBDT算法、神经网络、SVM等模型对股票价格时间序列进行了拟合。通过对上证A股贵州茅台（600519）数据的预处理、拟合、验证、调参全流程的分析，获得并展示了最终模型的效果。实验结果表明，使用梯度提升随机树（GBDT），股价拟合结果的预测误差最小。相对于随机森林和神经网络模型，GBDT算法在本文的股价预测任务中表现得更加稳定可靠。

1 介绍

近几年经济的飞速发展，追求上市的公司愈发增多，股票逐渐走进越来越多人的视线。股票这个纽带在股民、股东和交易所之间也愈发紧密。因为股票市场的波动十分巨大，随时可能因为一些新的政策或者其他原因，进行大幅度的波动，导致自然人股民很难对股票进行投资盈利；并且，股票价格具有高噪声、非线性,易受政策影响等特点,因此投资者很难就近规避风险。通过众多的网络数据接口，研究者可以进行数据分析，再利用机器的深度学习来对股票价格进行预测。

1.1 背景与意义

在目前市场环境下，散户投资过程中最大的问题是信息不对称，要获取真实信息则需要付出成本，使得散户往往依赖于无成本的“小道消息”而非科学的技术分析。形态分析认为一切能够影响股价的因素——经济的、政策的、心理的等最终都反映到K线图上。……