基于模型树的沪深300指数预测

摘要

针对当前智能算法对证券数据预测准确度不高,以及基于最小损失函数的模型树(Model Tree based on Least Loss Function,MTLLF)预测模型不适用于证券数据的预测的问题,本文提出基于最大离差分裂算法的模型树预测方法(Model Tree based on Deviation Maximization,MTDM).使用两组包含完整牛熊市的沪深300指数日收盘价数据进行分组实验验证,得到的均方误差MSE(Mean Squared Error)分别为0.000058和0.000140;均方根误差RMSE(Root Mean Squared Error)分别为0.007634和0.011822;平均绝对百分比误差MAPE(Mean Absolute Percent Error)分别为0.011857和0.011348的结果.说明了MTDM预测的稳定性较好,且预测准确度较高.并分别与基于长短记忆神经网络(Long Short-Term Memory,LSTM)和粒子群优化算法(Partical Swarm Optimization,PSO)的预测方法进行实验对比,结果表明MTDM算法的预测误差显著低于前两者.