基于集成学习的高送转股票研究

高送转预案公告发布前,高送转股票具有显著的累计正收益,因此预测高送转股票对于投资具有重要意义。高送转股票的预测是分类预测问题,本文利用上市公司三季度财报数据,采用3种集成学习算法:由K-近邻算法、决策树以及加lasso惩罚项的逻辑斯蒂回归算法构建预测模型——"组合"模型,经典的集成学习算法——Ada Boost算法以及随机森林算法进行建模。本文采用准确率以及G-mean作为模型评价标准,结果显示:"组合"模型的准确率最高,随机森林和"组合"模型的G-mean表现相当,均优于adaboost算法。由于每年高送转股票所占比例小于50%,数据可以看成是非平衡数据,为了改善"组合"模型较差的召回率,本文采用K-Means聚类的欠抽样方法,将此方法用在"组合"模型上,效果显著。最后分别对上面三种模型预测的股票构建投资组合,并以HS300指数做基准。结果显示:"组合"模型预测得到的高送转股票组合表现优于另外两种集成学习模型。