论文部分内容阅读
股票市场是一个国家经济市场的重要组成部分之一。股票实际上是公司筹集运转资金的最重要方式。随着中国特色社会主义市场经济的发展,不仅投资者在时刻关注股票,普通民众也将其视为投资理财的一种渠道。随着时代的不断进步,人民生活水平日益提高,在解决温饱问题之余,有了可供投资的余财,越来越多的人将目光转向股市投资,为股市发展提供了资金条件。然而在纷繁复杂的股票市场,如何寻找最优股成为亟待解决的问题。这不仅是投资者单方面的困惑,也是股票价格预测领域中学者们所关心的重点。因此,对股票市场预测系统的设计和实施不仅具有深刻的理论意义,而且具有非常重要的使用价值。近年来由于人工智能的快速发展,推动了机器学习理论的发展,并被广泛的应用于各种实际应用当中,进而刮起了一股机器学习的热潮。本文将以机器学习理论为基础,探究了XGBoost与ARIMA的混合模型在股票预测中的应用。然后在XGBoost与ARIMA模型的基础上,结合机器学习相关理论,提出相应的模型结构改进和优化,并做出相应的模型对比。本文的主要研究和创新点包含以下几点:(1)提出网格搜索算法优化的XGBoost金融预测模型(GS-XGBoost)。首先,根据网格搜索算法的思想,先设定将要选择的参数组合区间,基于Xgboost算法,在参数寻优的过程中,结合网格搜索算法的思想,不断地训练模型,通过评价函数对每个参数组合得到的分类结果进行评价,最终得到最优参数组合,最后将最优参数组合代入Xgboost算法,从而使预测性能得到提升。(2)提出离散小波变换与优化的XGBoost算法结合的股价预测模型(DWT-GS-XGBoost)。综合考虑了DWT与XGBoost模型的优点,采用离散小波变换进行数据降噪处理与分解,然后使用网格搜索优化的XGBoost模型对处理后的股票数据集进行训练和预测,并与GS-XGBoost模型预测结果进行对比分析。通过实验预测结果表明DWT-GS-XGBoost模型预测效果优于GS-XGBoost模型。(3)提出了一种离散小波变换、ARIMA和优化的XGBoost的混合模型(DWT-ARIMA-GSXGB)来解决股票价格预测问题。实验结果表明,DWT-ARIMA-GSXGB股价预测模型具有较好的拟合能力和泛化能力,极大地改善了单个ARIMA模型或单个XGBoost模型在预测股票价格方面的预测性能。