股票指数的日极差可以反映市场风险,对其进行预测有助于监管部门提前发现风险,采取相应举措。本文提出了基于XGBoost和弹性网络回归模型的集成模型,以多阶滞后的日极差和日收益率及其非线性项作为模型的输入,将其应用于上证指数日极差的预测分析。实验结果表明,该集成模型的预测能力要优于XGBoost、弹性网络回归和ARIMA模型,能够有效地识别影响日极差预测的重要因素。该模型一方面可以为监管部门提供一个风险预估的新工具,另一方面所揭示的重要影响因素有助于科学研究和政策制定。
科研之友
微信
新浪微博
Facebook
分享链接
