孙丽丽，方宏彬，朱星星，胡蕾明，齐龙武

（安徽大学 经济学院，安徽 合肥 230601）

近几年机器学习作为人工智能领域一个重要的分支，以其强大的算法功能和学习能力被广泛应用于各领域的预测和决策工作任务中。目前已有大量学者利用机器学习来对金融时间序列进行分析和预测，如黄卿等为预测股指期货高频数据1分钟下的价格变动方向，使用了XGBoost（extreme gradient boosting）模型，实验证明了XGBoost 的预测能力要比SVM（support vertor machine）和传统的神经网络强[1]。另外有大量学者基于BP（back propagation）网络以及贝叶斯神经网络的学习和网络调参，将神经网络模型应用于股票预测，论证了神经网络很好地实现了股票价格短期预测[2-5]。Liu 等提出一种新的SVM 模型，使用灰色关联度计算权值应用到SVM 中，对特征加权，利用移动时间序列窗口对所有数据进行测试，实现了数据集的扩展[6]。大多学者着力于使用SVM 来构建股票预测模型，研究出一系列因子选股以及股票择时策略，应用到股票价格预测，实验证明其对股票市场有很好的预测性能[7-11]。王燕等使用网格搜索算法对XGBoost 模型进行参数优化构建GS-XGBoost 的金融预测模型，发现GSXGBoost 金融预测模型在股票的短期预测中具有更好的拟合性能。他们又提出了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-ARIMA-GSXGB）模型，用以预测金融时间序列数据，实验结果表明此模型的预测股票开盘价的预测值和实际值误差要小于其他四种对比模型（XGBoost，ARIMA，GSXGB，DWT-ARIMAXGBoost[12-14]。另有学者发现，传统的计量经济模型会假设……