基于改进的GBDT的量化投资模型
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 量化投资现状 | 第10-11页 |
| 1.2.2 集成学习现状 | 第11-12页 |
| 1.3 主要内容及结构安排 | 第12-14页 |
| 1.3.1 本文的主要研究内容 | 第12-13页 |
| 1.3.2 本文的结构安排 | 第13-14页 |
| 第二章 理论基础 | 第14-23页 |
| 2.1 Boosting理论基础 | 第14-18页 |
| 2.1.1 Boosting Tree | 第15-16页 |
| 2.1.2 Gradient Boosting | 第16-18页 |
| 2.2 GBDT算法 | 第18-23页 |
| 2.2.1 GBDT算法原理 | 第18-20页 |
| 2.2.2 GBDT算法流程与优势 | 第20-23页 |
| 第三章 基于GBDT组合算法的量化选股模型 | 第23-34页 |
| 3.1 量化选股的理论基础 | 第23-25页 |
| 3.2 GBDT组合算法 | 第25-28页 |
| 3.2.1 因子贡献度 | 第25-26页 |
| 3.2.2 相关性分析 | 第26-27页 |
| 3.2.3 GBDT组合算法 | 第27-28页 |
| 3.3 五因子模型 | 第28页 |
| 3.4 实证分析 | 第28-33页 |
| 3.4.1 获取样本数据 | 第29页 |
| 3.4.2 有效因子的选择 | 第29-30页 |
| 3.4.3 最优因子的获取 | 第30-31页 |
| 3.4.4 GBDT组合算法有效性检验 | 第31-33页 |
| 3.5 小结 | 第33-34页 |
| 第四章 基于RF-GB算法的量化择时模型 | 第34-46页 |
| 4.1 随机森林算法理论基础 | 第34-38页 |
| 4.1.1 随机森林算法 | 第36-38页 |
| 4.2 RF-GB算法构建 | 第38-40页 |
| 4.3 趋势追踪模型 | 第40-42页 |
| 4.3.1 技术指标 | 第40-41页 |
| 4.3.2 组合指标趋势追踪 | 第41-42页 |
| 4.4 实证分析 | 第42-45页 |
| 4.4.1 数据的预处理 | 第42-43页 |
| 4.4.2 算法准确率分析 | 第43-44页 |
| 4.4.3 股票回测 | 第44-45页 |
| 4.5 小结 | 第45-46页 |
| 总结与展望 | 第46-47页 |
| 参考文献 | 第47-54页 |
| 致谢 | 第54-55页 |
| 攻读学位期间发表论文情况 | 第55页 |
