混合LSTM-XGBoost框架用于多周期股票收益预测
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载模型架构设计
该研究构建了一个两阶段的混合预测框架，旨在解决金融时间序列非平稳、非线性及低信噪比带来的挑战。第一阶段采用包含两个堆叠层、每层64个隐藏单元的长短期记忆网络（LSTM）。该组件负责处理60天滑动窗口内的五个连续市场特征，生成64维的时序嵌入向量，以编码学习到的市场动态。第二阶段将这些嵌入向量与14个手工制作的技术指标进行拼接，形成一个78维的混合特征向量，随后输入到XGBoost梯度提升回归器中进行最终预测。
实验设置与评估
研究选取了涵盖六个行业部门的14只美股作为数据集，采用严格的时间顺序分割和按股MinMax缩放进行训练，以防止前瞻性偏差。XGBoost回归器的超参数通过3折交叉验证网格搜索进行调优。模型在30、90、252和365个交易日四个不同的预测周期上进行了评估。实验结果显示，混合模型在30天周期上的测试均方根误差（RMSE）为0.0949，这一数值大约是独立LSTM基线模型的三分之一，表明混合架构显著降低了短期预测的误差。
性能表现与分析
在与其他基线模型的对比中，混合模型在大多数股票上的表现持平或超越了仅使用XGBoost的模型。随着预测周期的延长，方向性准确率有所上升，在365天周期达到了97.6%。然而，研究指出这一高准确率很大程度上归因于样本中长周期正收益的高基础比率。因此，研究将方向性准确率与一个“始终预测正向”的朴素模型进行基准对比，认为短周期内超出基础率的部分才是更具信息含量的信号。此外，研究还提出了一种基于多周期预测的综合投资评分框架，用于辅助投资组合排名和决策。
为什么值得看
展示了深度学习与梯度提升树结合在金融时序预测中的具体效果与误差分析。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。