研究分享：用随机森林预测股价走势

最新推荐文章于 2025-05-15 10:54:28 发布

BigQuant

最新推荐文章于 2025-05-15 10:54:28 发布

阅读量6.3k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：机器学习与金融文章标签：机器学习随机森林量化投资

本文链接：https://blog.youkuaiyun.com/bigquant/article/details/90268143

该研究利用随机森林算法预测股价走势，对比SVM等模型，随机森林展现出更优的预测效果，可达85%-95%的准确率。通过技术指标如RSI、KD、MACD作为特征，模型在决策树数量增加时准确率提升，预测时间窗口延长亦提高预测准确性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

机器学习已经广泛地应用在对于资产市场的分析中，在量化投资中尤为显著。但是，在浩如烟海的机器学习算法中，到底哪种算法能取得更优的预测效果呢？发表在《Applied Mathematical Finance》的这篇文章利用随机森林算法对股价d天之后的涨跌方向进行了预测。发现相比于SVM、线性判别分析等模型，随机森林可以取得更优秀的预测结果：能够达到85%-95%的准确率。

摘要

为了最小化预测误差，文章将预测股价的走势看做一个二分类问题（涨or跌），使用集成机器学习建模解决。文章里利用RSI（相对强弱指数）、KD随机指标、MACD等6个常用的技术指标作为分类的特征，对随机森林模型进行训练。最后发现，模型中决策树个数增加，模型准确率增加并有收敛趋势；并且，预测的时间窗口越长，模型越准确。

随机森林简介

在正式进入文章前，先对随机森林算法给出简单的介绍。

随机森林算法是一种非线性模型，顾名思义，是将多个决策树集成为森林的一种模型。理解随机森林的关键有两点：随机抽样和多数投票。

首先，对于每一个决策树，从全样本集中有放回地随机抽取训练集。本文决策树分类的标准是特征矩阵X里面的技术指标，一直利用技术指标分类直到基尼不纯度很小达到要求。

这些决策树独立预测，然后对每个决策树预测的结果进行投票，票数最多的成为随机森林的预测结果。这样避免了单个决策树的过拟合。

由于随机抽样，每个决策树使用的都不是全样本(大约只有 $\frac{2}{3}$ 的样本被抽到)，没有被抽到的样本是这个决策树的非样本集（袋外样本 Out of Bag Sample）。对于所有决策树产生的袋外样本，对每个样本，计算它作为oob样本的树对它的分类情况(约 $\frac{1}{3}$ 的树)，然后以简单多数投票作为该样本的分类结果，最后用误分个数占样本总数的比率作为随机森林的OOB误分率。所以，OOB偏差越小，说明误分类的比例越低，随机森林分类越准。