基于XGBoost和LSTM模型的金融时间序列预测

作者：黄颖; 杨会杰^*

来源：科技和产业, 2021, 21(08): 158-162.

• XGBoost
• 技术因子
• K线
• LSTM
• 特征工程

随着人工智能快速发展,深度学习模型预测金融时间序列成为热点问题。数据及特征选取是决定模型效果的重要环节,用XGBoost模型进行特征优化并预测黄金价格涨跌趋势,再与LSTM模型比较预测效果。用XGBoost分析动量因子特征重要性并选取有效指标;形态因子做历史回测并选取胜率较高的K线指标,预测准确率提升1.5%。以相同因子为LSTM模型特征值预测准确率提升6.5%,达到80%。以欧元和浦发银行股价数据为样本均证实K线指标有效且LSTM模型预测效果优于XGBoost。

• 单位
  上海理工大学