基于集成学习的上市公司高送转预测实证研究

摘要：

我国证券市场中高送转题材股备受中小投资者的追捧,但市场中也存在着借高送转概念炒作的乱象,如何利用上市公司的财务数据挖掘真正有潜力的股票无疑具有重要意义.采用2158家制造业上市公司7年的财务指标作为研究数据,利用采样、特征选择以及集成学习算法构建上市公司高送转预测模型并进行实证研究.结果显示:采样和特征选择方法均能有效提高集成预测模型的性能;相较于数据集中的冗余信息,数据不平衡问题对模型预测准确率的影响更显著;ADASYN+mRMR+XGBoost组合模型取得了最好的预测结果,高送转样本的分类准确率达到84.96％,建议投资者优先选用该组合模型对上市公司的高送转情况进行预测.

关键词：不平衡数据、高送转、特征选择、集成学习

所属期刊栏目：58

分类号：F832;TP391(金融、银行)

资助基金：国家自然科学基金;全国统计科学研究项目;浦东新区科技发展基金产学研专项资金人工智能项目

在线出版日期：2022-05-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：255-262