黄 颖， 杨会杰

(上海理工大学 管理学院， 上海 200093)

股票市场是企业筹集资金的重要渠道之一，也是资本市场的重要组成部分。它的波动同经济市场的盛衰息息相关，有效的趋势预测可为企业和个人带来可观的利润。该研究成为学术界一项重要课题。在股市预测中，常见的方法包括前馈神经网络、反向传播神经网络和循环神经网络等模型，许多学者致力于用此类方法预测金融市场。

在传统机器学习领域，Prasaddas和Padhy证明支持向量机SVM对未来价格预测的效果优于反向传播算法[1]；Tay和Cao比较了SVM和多层反向传播算法[2]，依然证实SVM效果更佳；Jain等比较XGBoost模型和传统回归模型[3]，发现XGBoost预测准确率更高；Sawon和Hosen研究XGBoost和线性回归、随机森林回归等算法在大规模数据中的预测效果[4]，同样证实XGBoost算法的优越性。

在神经网络模型方面，Wilson和Sharda比较了神经网络和传统的多元判别分析在公司破产问题上的表现[5]；Hsieh等将小波转换和循环神经网络RNN结合应用于股市预测[6]；Kamijo和Tanigawa用RNN识别股票模式[7];Akita等证明了LSTM比其他模型更能捕捉时间序列信息[8]；Chen等用GRU预测金融时间序列并在误差较小的情况下效果良好[9]。

本文运用预测效果较好的传统机器学习XGBoost模型对黄金价格进行预测，根据对K线形态因子在历史数据上回测结果的统计分析、动量因子在模型特征重要性中的表现，优化特征选取，降低特征选取的主观性；将优化后的特征用于能够有效记忆长短期信息并克服RNN模型梯度爆炸或梯度消失问题的LSTM模型，探索能否进一步提升预测效果。……