朱星星

关键词：股价涨跌;机器学习;实证研究;XGBoost

一、文献综述

与传统时间序列模型相比，机器学习模型对数据没有严格的假设条件，受到研究者的喜爱。王燕基于參数寻优后的XGBoost模型对中国平安等股票收盘价的短期预测在多个评价指标上较SVM模型和GBDT模型有更好的效果。王禹利用boosting级联多棵决策树算法预测仪器仪表领域的股票涨跌走势，结合股票的行情指标和技术指标，预测结果对比单一决策树的预测准确率有明显的提升。王亚红利用随机森林算法基于12个财务指标对随机选取的股票价格预测的准确率超过70%。何铮认为任何单一因素都难以完全解释股票价格水平和波动，通过结合基本面因素和技术面因素作为输入特征构建股价模型，可以获得较好的预测能力。

二、模型分析

（一）数据处理和指标选择

量化投资特征选取一般分成基本面指标和技术指标两大类。基本面指标主要由盈利因子、成长因子、流动性因子、估值因子和品质因子等组成。盈利因子技术指标主要有趋势因子、均线因子和交易因子。通过查阅相关文献最终在基本面指标和技术指标两大类指标中选取了12个基本面指标、25个技术指标。部分指标如表1所示。

将去除缺失值后的股票数据的所有特征进行标准化处理，以消除不同量纲带来的影响。

（二）模型理论概述

本文是对股票价格涨跌标签进行预测，所以选择监督学习里面的二分类学习算法。接下来对逻辑回归、决策树和XGBoost算法模型设置为二分类有关的内容。……