基于机器学习算法的股指期货价格预测与比较研究

发布时间：2023-10-12 01:41

　　随着资本市场对外开放,包括股指期货在内的金融衍生品的对外开放也备受期待,如何通过预测期货价格变化获得可观收益是投资者关心的重要问题之一。本文首先在文献研究与理论分析的基础上,选取2019年所有交易日的期货价量交易信息、技术指标和市场主要指数的价量信息作为价格预测模型的输入特征;研究样本为沪深300股指(CSI300)期货,并选用1分钟高频数据,基于五种机器学习算法——决策树、随机森林、XGBoost、BP神经网络与支持向量机算法构建价格预测模型;在每月末对模型进行更新以及对相应参数进行调优,再对期货的价格进行预测并对结果进行对比分析;根据预测结果设计“买涨卖跌”的交易策略并进行回测;最后,为了进行稳健性检验,本文还分别选取了2018年和2017年所有交易日的数据重复上述操作。结果显示,利用支持向量机算法构建的模型对股指期货价格进行预测的误差最小,准确率高且稳定;此外,根据其结果构建的交易策略在风险一定的情况下累计收益率更高,风险更可控,更适合于股指期货价格预测和投资应用。

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
1 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外文献综述
        1.2.1 时间序列预测法与价格预测
        1.2.2 机器学习算法与价格预测
        1.2.3 对现有研究成果的简要评述
    1.3 研究框架
    1.4 本文创新点
2 理论基础与分析
    2.1 期货价格可预测性理论
        2.1.1 期货价格预测的基本条件
        2.1.2 有效市场假说
        2.1.3 分形市场假说
    2.2 机器学习理论
        2.2.1 决策树算法原理
        2.2.2 随机森林算法原理
        2.2.3 XGBoost算法原理
        2.2.4 神经网络算法原理
        2.2.5 支持向量机算法原理
3 实证设计
    3.1 数据与变量
    3.2 数据处理
    3.3 价格预测模型构建与参数调优
        3.3.1 决策树模型
        3.3.2 随机森林模型
        3.3.3 XGBoost模型
        3.3.4 BP神经网络模型
        3.3.5 支持向量机模型
    3.4 交易策略构建
        3.4.1 策略构建基本思想
        3.4.2 策略设计流程
4 研究结果分析
    4.1 结果分析指标
    4.2 预测结果分析
    4.3 策略分析指标
    4.4 策略结果分析
    4.5 稳健性检验
5 结论与展望
    5.1 研究结论
    5.2 研究展望
参考文献
附录



本文编号：3853199