AdaBoost算法在量化投资中的改进与应用研究.pdf

暨南大学硕士学位论文

题名（中英对照）：

AdaBoost 算法在量化投资中的改进与应用研究
Improvement and Application Research of AdaBoost Algorithm in
Quantitative Investment

作者姓名： 姚曈彤

指导教师姓名 韩兆洲
及学位、职称： 博士 教授

学科、专业名称： 统计学

学位类型： 学术学位

论文提交日期： 2017 年 5 月

论文答辩日期： 2017 年 6 月

答辩委员会主席：

论文评阅人：

学位授予单位和日期：

I
II
摘 要
作为投资界新兴的方法，量化投资凭借稳定的业绩，市场规模和份额逐渐扩大，已然
成为资本市场的发展热点。机器学习作为人工智能的分支，以其强大的数据处理和自学习
能力能够实现对金融市场非结构化信息的有效分析，因而成为量化投资领域中的重要应用
方法。作为十大经典机器学习算法之一的集成学习方法 AdaBoost，自提出以来已得到深入
广泛的理论研究和应用，但对于 AdaBoost 在量化投资细分领域的改进和应用涉及较少。
本文的研究尝试将 AdaBoost 算法应用于量化交易，并根据金融市场行情特点对算法
加以改进。首先概述了国内外量化投资领域机器学习的研究应用现状，以及机器学习的基
本统计理论方法；然后详细介绍了基于随机森林方法的特征选择原理和算法设计，以实现
选择输入算法模型的最优数据子集；AdaBoost 算法改进以增加算法应用性为出发点，改进
内容包括包样本初始权值指数衰减处理、基于 Hurst 指数的行情波动判断、基于软间隔的
弱分类器权重调整等，以实现缓解算法过拟合现象，增强算法泛化能力；最后，基于算法
模型构建交易策略，通过 AdaBoost_EHS 改进算法和 AdaBoost 原算法策略的商品期货单品
种、投资组合绩效比较，以及多品种的普适性测试，回测实证改进算法的“集成效果”明
显，对趋势行情和进场时机的捕捉更加准确，模型策略具备较强的盈利能力和普适性，算
法改进效果明显。
本文对 AdaBoost 算法在量化投资中的改进与应用研究，有效地拓宽了期货市场的量
化投资策略设计思路，对机器学习方法在量化投资领域的进一步应用具有实际的参考意义。
同时，本文在参数优化、间隔分布理论、策略设计等方面有待进一步深入研究。

关键词：量化投资、机器学习、AdaBoost、随机森林

III
Abstract
As a new investing method, quantitative investment has achieved ever-increasing market size
by its consistent performance. Machine learning is a subfield of artificial intelligence concerned
with techniques that analysis financial unstructured information effectively by its strong data
handling capability and self-learning ability. As one of classical machine learning algorithms,
AdaBoost algorithm has become focus and got much in-depth theoretical research and wider-
ranging applicatio