1、计算机与现代化JISUANJI YU XIANDAIHUA2023年第1期总第329期文章编号：1006-2475（2023）01-0095-080引言随着大数据时代的到来，社会各行各业都建立起了自己专业领域的大数据1。金融领域中指标的时间相关性尤为明显，非常具有研究的实际意义2。在众多金融指标中波动率是最具决策与指导意义的指标之一，它反映了价格的波动幅度，相对于未来的价格，人们更关注未来的市场趋势。精准预测波动率可以提高投资者的收益率，降低投资的不确定性，帮助从业人员进行风险管理、期权定价、资产配置，体现金融企业的行业软实力。虽然波动率的预测很有学术和实践意义，但是金融领域的数据具有高度非线
2、性、高度复杂性、高度时间变化性等特点，使研究充满了挑战性，成为时间序列预测领域的难点3。1959年Osborne4提出随机漫步理论，之后，1970年Fama5提出了有效市场假说，2位著名学者推断股票的相关指标无法被有效预测。但 1999 年 Lo 和Mackinlay提出非随机漫步理论6，证明了股票的相关指标通过有效的经济学模型可以被预测。随着预测模型的不断优化，在金融界产生了量化投资的全新纠正学习策略下LightGBM-GRU模型的股票波动率预测石志伟，武志峰，张哲（天津职业技术师范大学信息技术工程学院（软件工程学院），天津 300222）摘要：为提高传统智能算法进行时间序列预测时的精度和解
3、决工程数据问题时的适应性，提出一种纠正学习策略。波动性广泛应用于金融领域，对股票的波动性进行预测具有重要的价值。由于股票价格的时间序列是非线性和非平稳的，预测股票市场波动成为时间序列预测中的难点。本文通过纠正学习策略进行仿真实验，设计出LightGBM-GRU模型，以LightGBM和GRU作为基模型和纠正器，预测3年内126只来自不同行业的股票在未来10 min的波动率，根据RMSPE、MAE、MSE、RMSE等指标表明：即使经典的效果比较好的集成学习模型，也能通过纠正学习策略同时提高精度和泛化能力。本文指出在算法富集和大数据的时代，智能算法的矛盾转变为智能算法通用性有限与工程问题多样性之间
4、的矛盾，纠正学习策略可以为数据仿真提供新思路。关键词：纠正学习；股票波动率；时间序列预测；机器学习；神经网络中图分类号：TP183；F831.51文献标志码：ADOI：10.3969/j.issn.1006-2475.2023.01.016Stock Volatility Prediction of LightGBM-GRU Model under Corrective Learning StrategySHI Zhi-wei，WU Zhi-feng，ZHANG Zhe（School of Information and Technology（School of Software Engine
5、ering），Tianjin University of Technology and Education,Tianjin 300222，China）Abstract:In order to improve the accuracy of traditional intelligent algorithms in time series prediction and the adaptability ofsolving engineering data problems，a corrective learning strategy is proposed.Volatility is widel
6、y used in the financial field，so itis of great value to predict the volatility of stocks.Since the time series of stock prices are non-linear and non-stationary，predicting the volatility of the stock market has become a difficult point in time series forecasting.In this paper，a simulation experiment
7、is carried out by corrective learning strategy，and a LightGBM-GRU model is designed.Using LightGBM and GRU as the basemodel and corrector，we predict the volatility of 126 stocks from different industries in the next 10 minutes within 3 years.According to RMSPE，MAE，MSE，RMSE and other indicators：even
8、the classical integrated learning model with good effect，the accuracy and generalization ability also can be improved at the same time by the corrective learning strategy.This paper points outthat in the era of algorithm enrichment and big data，the contradiction of intelligent algorithms has turned
9、into a contradiction between the limited versatility of intelligent algorithms and the diversity of engineering problems.Correcting learning strategies canprovide new ideas for data simulation.Key words:corrective learning；stock volatility；time series forecasting；machine learning；neural networks收稿日期
10、：2022-06-08；修回日期：2022-07-10基金项目：国家自然科学基金青年科学基金资助项目（61601331）；天津市自然科学基金青年科学基金资助项目（18JCQNJC04700）；天津市研究生科研创新项目（2021YJSS226）作者简介：石志伟（1995），男，山东鄄城县人，CCF会员，硕士研究生，研究方向：人工智能，大数据，量化交易，E-mail:zhiweishi_；通信作者：武志峰（1974），男，教授，博士，研究方向：机器学习，复杂网络社区发现，链接预测，E-mail：；张哲（1996），男，硕士研究生，研究方向：人工智能，自然语言处理，E-mail：zachary_。计
11、算机与现代化2023年第1期投资方式，它以统计、分析、预测的客观结果进行投资。传统投资方式是凭借人们的主观判断进行决策的投资。1971年美国巴克莱投资管理公司发行了首只量化投资策略的基金7。美国的量化交易占比超过70%，中国起步晚10年以上，目前占比超过20%，正处于高速成长阶段。在过去的研究中，对于时间序列以及波动率预测，不同的学者和专家给出了自己的解决方案。最初，在经济学领域，1982年Engle8提出的自回归条件异方差(ARCH)模型和1986年Bollerslev9提出的广义自回归条件异方差（GARCH）模型都被成功应用于波动率的时间序列预测。随着人工智能的兴起，机器学习开始被应用到各
12、个行业来解决工程难题。2017年，Liu等人10使用回归树模型成功预测了铜的长短期价格。人工神经网络与深度学习框架是近年来人工智能研究领域的热点。1988年，White11使用人工神经网络成功预测了IBM股票的日常波动率。然而，金融大数据强随机性和动态非线性的特点，使得普通神经网络的拟合度较差，1997年，Hochreiter等人12提出能够存储时间信息的长短记忆神经网络（LSTM）。2015 年，Chen 等人13通过LSTM模型成功预测了中国股市的收益率。2017年，Nelson等人14使用LSTM模型成功预测了股市的波动率。随着学者们的深入研究，周志华老师提出了集成学习策略。2016年，
13、Khaidem等人15使用随机森林模型有效预测了股票收益率。2019年，Basak等人16使用 GBDT 模型成功预测了股票波动率，GBDT也成为了当前在金融领域进行时间序列预测的首选建模方式。虽然众多学者的研究已经取得了很多的成果，但是本文发现其还存在很多问题有待解决：1）即使是目前效果最显著的集成学习的方式，在误差方面也存在一定的缺陷：Boosting的集成策略可以降低偏差但对方差没有效果；Bagging的集成方式可以降低方差但对偏差没有效果，表现在工程应用中就是模型预测的精确度和泛化能力（结果可信任度）无法得到兼顾。2）对于目前比较热门的神经网络和深度学习来说，如果用它直接训练模型，模型
14、的可解释性差，所消耗的时间与计算资源也是巨大的，随着输入特征值的数量增加，模型的维度、复杂性、不确定性都是不可控的。3）人工智能到来之前，智能算法的矛盾为算法匮乏与用户对算法需求日益增长之间的矛盾。在当前人工智能-大数据环境下，智能算法的矛盾转变为算法通用性有限与工程问题多样性之间的矛盾。虽然现在是一个算法富集的时代，但是没有完美的算法，没有普适的模型，面对各类数据问题怎样才能提高现有智能算法的适应能力呢？针对上述问题，本文提出纠正学习的策略：根据不同的工程数据，选用传统的机器学习器进行学习，将学习结果通过纠正学习器进行学习纠正，不仅能够同时提高传统学习器的预测精度和泛化能力，也能够提高传统学
15、习器的适应能力。为了验证纠正学习的效果，本文以股票波动率预测问题为例进行仿真。学术界普遍认为通过集成学习训练的模型是一种比经典的效果更好的算法，为了更有力地说明纠正学习的效果，本文选择LightGBM作为基础学习器，GRU神经网络（Gated Recurrent Unit）作为学习纠正器，形成LightGBM-GRU混合模型。本文的主要工作如下：1）提出当前智能算法存在的矛盾：智能算法通用性有限与工程问题多样性之间的矛盾。2）指出当前时间序列预测研究存在的问题，提出纠正学习策略，使用训练LightGBM-GRU模型来预测126 只不同行业的股票波动率，得到的预测结果比LightGBM有更低的误
16、差率和更高的泛化能力。3）以GRU作为纠正器，既保留了该模型对时间序列预测的优势，又避免了深度学习框架直接进行训练的高消耗与不稳定性，为深度学习提供了降维思路。4）给出了纠正学习策略能够成功的理论分析，证实纠正学习策略的可用性与可研究性，提出纠正学习策略能够提高现有智能算法对各类工程问题适应性的观点。1方法1.1LightGBM在1990年，Schapire17提出并论证了Boosting集成学习算法的提升效果。LightGBM（Light GradientBoosting Machine）是目前用于时间序列预测中精度最高的算法。数据集划分：D=()X1,Y1,()X2,Y2,()Xm,Ym，h 为学习器，L为损失函数，c为叶子节点的最好输出值。建模过程如下：步骤1初始化CART学习器。h0=argminci=1mL()yi，c（1）步骤2对于迭代次数t=1，2，T：1）对每个样本i=1，2，m，计算t次迭代的负梯度（残差）。rti=-L()yi，f()xif()xif()x=ft-1()x（2）2）将上一步得到的残差作为样本数据的目标值，将（xi，rti）（i=i，2，m）作为第t棵