典型文献
基于机器学习算法的股指期货价格预测模型研究
文献摘要：
人工智能技术和量化投资领域的结合,诞生了各类基于机器学习算法的价格预测模型.为研究不同机器学习算法在股指期货价格预测中的应用效果,采用支持向量回归、长短期记忆网络、随机森林及极端梯度提升树四种常用的机器学习算法构建价格预测模型,对沪深300股指期货价格进行预测研究,并利用贝叶斯算法对模型进行超参数优化,对比贝叶斯优化对于以上四种机器学习算法预测精度的提升效果.研究结果表明,随机森林和极端梯度提升树因其模型自身的优点,可以实现对金融时序数据的准确预测,而贝叶斯优化利用高斯过程,不断更新先验,可以显著提高支持向量回归预测效果,均方误差(MSE)、平均绝对误差(MAE)、对称平均绝对百分比误差(SMAPE)和损失适应度(LOSS)分别降低了78.6％、94.7％、95.1％和97.0％.
文献关键词：
机器学习;支持向量机;长短期记忆网络;随机森林;极端梯度提升树
中图分类号：
作者姓名：
杨学威
作者机构：
青海民族大学经济与管理学院,青海 西宁 810007
文献出处：
引用格式：
[1]杨学威-.基于机器学习算法的股指期货价格预测模型研究)[J].软件工程,2022(12):1-8
A类：
LOSS
B类：
基于机器学习,机器学习算法,股指期货,期货价格预测,量化投资,投资领域,支持向量回归,长短期记忆网络,极端梯度提升树,预测研究,贝叶斯算法,超参数优化,贝叶斯优化,算法预测,提升效果,时序数据,准确预测,优化利用,高斯过程,不断更新,先验,高支,回归预测,均方误差,MSE,平均绝对误差,MAE,平均绝对百分比误差,SMAPE,适应度
AB值：
0.241596
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
