一种基于改进随机森林算法的股票收益率预测方法

摘要

本发明公开了一种基于改进随机森林算法的股票收益率预测方法，本发明针对股票收益率分类预测时，随机森林存在的参数选择困难以及分类性能问题，RF算法本身无法识别并选择更高效的特征的缺点，结合粒子群算法优化特征选择机制，在趋势变化初期不明显的情况下，筛选出最优特征，且作为属性输入RF算法，提出PSO‑GRID‑RF股票趋势预测的混合方法；本发明缩小了特征子集，剔除无关或效果重复的特征属性，降低了输入的维度，减少了股票趋势预测的时间；在多属性特征环境下，提出高效特征选择方法，同时引入网格搜索算法优化随机森林参数，从而提高随机森林的分类预测性能，大幅度提高了股票趋势预测的准确率。