基于递归特征消除和Stacking集成学习的股票预测实证研究

2021-11-05 06:15:38黄秋丽黄柱兴
南宁师范大学学报(自然科学版) 2021年3期
关键词:分类特征模型

黄秋丽,黄柱兴,杨 燕

(南宁师范大学 数学与统计学院,广西 南宁 530100)

0 引言

在预测股票走势的众多方法中,机器学习算法得到越来越多的应用.该算法选择合适的选股指标体系[1],使用数量化的统计分析工具来预测股票的优劣,其本质是数据挖掘领域[2]的二分类预测问题.李斌[3]等用技术指标作为输入变量,并比较不同算法模型的预测情况,得出SVM模型的策略最优,收益能力最高,夏普比率达到1.38以上,最大回测低于20%.王淑燕[4]等采用相关性分析方法分析指标的相关性,得出八因子的选股模型,随后利用随机森林算法模型验证该选股模型在中国的股票市场上是有效的.Yu[5]等在选择属性中应用遗传算法,并在预测股票市场涨跌趋势时,使用支持向量机模型,这种方法不但可以降低支持向量机模型的复杂性,还能提高该模型的效率,其结果与传统的时间序列及神经网络模型相比更优.

综合上述情况,我们认为,采用单模型预测算法对股票市场进行预测的效果有优有劣,不够稳定,采用集成学习方法则可吸取和融合各模型的长处,增加稳定性和提升准确率[6].集成学习思想由Dasarathy和Sheela在1979 年提出[7].一种基于神经网络的集成学习模型则是Hansen 和Salamon于1990 年首次展示[8],该模型的泛化能力较强,但方差较低;同年,Schapire[9]通过Boosting方法将弱分类器组合成一个强分类器.这说明在机器学习研究领域中集成学习已成为一种重要的方法.集成学习方法中常用的是堆叠法(Stacking),此方……

登录APP查看全文

猜你喜欢
分类特征模型
一半模型
分类算一算
重尾非线性自回归模型自加权M-估计的渐近分布
如何表达“特征”
不忠诚的四个特征
当代陕西(2019年10期)2019-06-03 10:12:04
教你一招:数的分类
3D打印中的模型分割与打包
线性代数的应用特征
河南科技(2014年23期)2014-02-27 14:19:15