改进的NSGA-III-XGBoost算法在股票预测中的应用

来源：计算机工程与应用杂志2023年第18期北京时间：

作者：何泳, 李环

单位：东莞理工学院 计算机科学与技术学院，广东 东莞 523000

摘要：为提高股票预测的准确度和减少运行时间，提出了一种改进的非支配排序遗传算法与极致梯度提升树模型相结合（INSGA-III-XGBoost）的股票预测模型。该模型特征工程包括小波分解、扩展特征、数据清洗、归一化。模型采用两种过滤式特征选择的集成信息初始化种群优化NSGA-III算法，以最大化准确度和最小化解的解决方案大小作为优化方向，使用多染色体混合编码的方式同步进行特征选择和优化模型参数。将选择的特征子集和参数输入XGBoost训练预测并迭代优化。实验结果表明，INSGA-III-XGBoost算法与未改进的多目标特征选择算法和单目标特征选择算法相比，平均准确度最高、解方案最小、运行时间最短；与深度学习模型相比，不仅准确度更高、运行用时大幅减少，并且该模型具有可解释性。

关键词：多目标优化,特征工程,特征选择,股票预测