基于自适应GBDT-RGF级联层深度森林的量化选股研究
王文轩
李路
上海工程技术大学数理与统计学院 上海 201620
摘要：使用基学习器梯度提升树(GBDT)和正则化贪心森林(RGF)替换深度森林级联层中的随机森林和完全随机森林,对全局参数进行动态迭代优化;同时,在级联层中引入自适应结构,将前层的分类结果按照正确率进行加权,更新下一层的输入数据,建立了自适应GBDT-RGF级联层深度森林模型.该模型在级联层训练时可加强前层分类正确特征,削弱错误特征,提高模型的分类精确度.另外,针对股票涨跌受多天走势的影响,将预测日之前的股票因子数据进行重组加权,使用加权后的数据预测股票涨跌.实验表明,自适应GBDT-RGF级联层深度森林的多因子量化选股模型,缓解了股票预测滞后性的问题,在2020年1月至2022年6月的沪深300股票池中取得了36.55%的年化收益率,累计收益率最高达到164%,超过深度森林、随机森林等模型收益率.
关键词：正则化贪心森林梯度提升树因子加权加强自适应级联层多因子选股
分类号：TP391.9(计算技术、计算机技术)
资助基金：国家自然科学基金(11971302)国家自然科学基金(62173222)
论文发表日期：2025-12-20
在线出版日期：2026-03-09（本平台首次上网日期，不代表文献的发表时间）
页数：8( 3319-3325,3391 )
英文信息