纠正学习策略下LightGBM-GRU模型的股票波动率预测

摘要：

为提高传统智能算法进行时间序列预测时的精度和解决工程数据问题时的适应性,提出一种纠正学习策略.波动性广泛应用于金融领域,对股票的波动性进行预测具有重要的价值.由于股票价格的时间序列是非线性和非平稳的,预测股票市场波动成为时间序列预测中的难点.本文通过纠正学习策略进行仿真实验,设计出LightGBM-GRU模型,以LightGBM和GRU作为基模型和纠正器,预测3年内126只来自不同行业的股票在未来10 min的波动率,根据RMSPE、MAE、MSE、RMSE等指标表明:即使经典的效果比较好的集成学习模型,也能通过纠正学习策略同时提高精度和泛化能力.本文指出在算法富集和大数据的时代,智能算法的矛盾转变为智能算法通用性有限与工程问题多样性之间的矛盾,纠正学习策略可以为数据仿真提供新思路.

关键词：纠正学习、股票波动率、时间序列预测、机器学习、神经网络

分类号：TP183;F831.51(自动化基础理论)

资助基金：国家自然科学基金;天津市自然科学基金青年科学基金资助项目;天津市研究生科研创新项目

在线出版日期：2023-03-06（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：95-102