典型文献
基于Stacking的集成算法在证券趋势预测中的应用
文献摘要：
股票价格的趋势预测一直是金融领域的重要问题,也是一个难题.但即使是对预测性能的微小改进,也可以为金融工程的技术手段带来非常可观的收益.现有研究大多为单一预测算法,旨在通过对比寻求预测效果更优的算法.文中结合指数移动平均值、相对强弱指数等10个有效技术指标,构建基于Stacking集成学习的股票趋势涨跌预测方法,以预测性能较好且存在差异的异质机器学习算法作为Stacking集成的初级学习器,以逻辑回归方法作为元学习器,进行集成预测.选取上证指数和深圳成指作为研究对象,以ROC曲线下方面积AUC值作为性能评估指标.研究结果表明,Stacking集成学习方法的预测性能优于单一预测模型,并通过Friedman检验证明,Stacking集成算法和单一算法之间存在显著差别.
文献关键词：
Stacking集成算法;机器学习;股票预测;随机森林;XGBoost;特征集合;嵌套交叉验证
中图分类号：
作者姓名：
田冬梅;刘家鹏;张芹;越瀚
作者机构：
中国计量大学 经济与管理学院,浙江 杭州 310018
文献出处：
引用格式：
[1]田冬梅;刘家鹏;张芹;越瀚-.基于Stacking的集成算法在证券趋势预测中的应用)[J].现代电子技术,2022(19):115-121
A类：
嵌套交叉验证
B类：
Stacking,集成算法,证券,趋势预测,股票价格,金融领域,预测性能,金融工程,预测算法,移动平均,有效技术,技术指标,涨跌,机器学习算法,初级学习器,逻辑回归,元学习,集成预测,上证指数,性能评估,集成学习方法,Friedman,检验证,一算,股票预测,XGBoost,特征集合
AB值：
0.364667
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。
