小波变换-集成学习算法的组合预测模型应用研究

摘要

随着我国改革开放政策的逐渐深入，市场经济体制日益完善，股票市场在经济体制内所发挥的作用日益增大，股票投资所带来的巨大收益吸引着成千上万的股市从业者们不断探索更先进的预测方法。得益于近年来人工智能算法的蓬勃发展，越来越多的研究表明：基于机器学习技术来预测股价波动趋势比计量经济学算法的准确率更高，因为机器学习擅长于预测，而传统的计量经济学擅长于解释，故本文采用机器学习技术更为合适，其主要的研究内容如下：　　本文的目的是通过构建组合模型来预测未来收益率的涨跌情况。考虑到股票交易数据是非线性、非平稳和低信噪比的时间序列数据，若直接使用原始数据去预测股价的波动趋势，容易造成过拟合现象。因此本文首先采用离散小波变换对股票的日交易数据进行去噪处理，并充分探讨了小波变换的参数配置与去噪效果的关联性，从中筛选出最佳去噪参数，通过构造滑动时间窗口特征来反映历史信息对当前交易行为的影响，接着对数据进行标准化处理解决了量纲不统一问题。本次实证所使用的模型涵盖了从经典的统计学习方法到最前沿的深度学习方法，例如支持向量机（SVM）、逻辑回归（Logistic Regression）和循环神经网络（RNN）等，考虑到不同种类的算法具备的优势不同，因此使用Stacking算法将多种机器学习算法进行集成，能有效的提升预测性能。集成学习Stacking算法框架的构建主要分为两个阶段：第一阶段是模型适配，第二阶段是模型集成。模型适配阶段主要考虑从所列出的机器学习模型中找出预测性能较好且具有多样性的模型集合，第二阶段是以第一阶段筛选出的模型集合作为初级学习器，并在此基础上添加一层次级学习器，通过这种“二次学习”的方式可以只用较小的计算代价来有效提升模型的预测性能，从而实现算法优势互补的效果。最后采用贝叶斯优化算法对模型的参数进行调优。最终实证结果表明：数据预处理方面，小波变换能够有效去除原始数据中的白噪声，构造滑动时间窗口特征能进一步提升模型表现，且小波去噪的提升幅度比构造滑动时间窗口特征的提升幅度更大；模型方面，与其他组合模型相比，小波变换与集成学习Stacking算法组合模型的预测性能表现最好。综上，基于小波变换和集成学习的组合预测模型具有更好的表现。

目录

声明

第1章 绪论

1.1 研究背景与意义

1.1.1研究背景

1.1.2研究意义

1.2 文献综述

1.2.1小波去噪算法

1.2.2机器学习算法

1.2.3集成学习算法

1.2.4总体评价

1.3 研究内容和框架

1.3.1研究对象的界定

1.3.2研究内容

1.4 研究思路与技术路线

1.4.1研究思路

1.4.2技术路线

1.5 研究创新点

第2章 相关算法原理

2.1 离散小波去噪原理

2.2 机器学习算法原理

2.2.1机器学习算法原理及其优劣势分析

2.2.2 k折交叉验证

2.2.3贝叶斯优化

2.2.4评价指标

2.3 集成学习算法原理

2.3.1 Stacking算法原理

2.3.2误差-分歧分解

2.4 本章小结

第3章 基于小波变换与集成学习的组合预测模型

3.1 数据预处理

3.1.1数据来源

3.1.2变量选取

3.1.3离散小波去噪

3.1.4构造滑动时间窗口特征

3.1.5数据标准化

3.2 构建组合预测模型

3.2.1小波去噪的参数设置

3.2.2滑动时间窗口值的确定

3.2.3组合预测模型的拟合和预测

3.2.4指标重要性排序

3.3 集成学习

3.3.1初级学习器的筛选

3.3.2利用贝叶斯优化进行参数调优

3.3.3集成学习模型的构建

3.3.4集成学习的效果评价

3.4 本章小结

第四章 总结与展望

4.1 总结

4.2 展望

参考文献

攻读学位期间取得的学术成果

致谢