基于改进Stacking集成学习的期权隐含波动率趋势预测

来源：计算机应用与软件杂志2025年第5期北京时间：

作者：张芹, 刘家鹏, 田冬梅, 越瀚

摘要：为了提升期权投资者的投资决策水平，采用Stacking集成学习框架对上证50ETF期权隐含波动率涨跌趋势进行预测。选取随机森林(RF)、AdaBoost、梯度提升树(GBDT)和XGBoost四种基于树的集成模型作为基分类器训练原始数据并进行嵌入式特征选择，再次将特征选择结果传入基分类器，通过改变基分类器的不同输入特征构建基于特征选择的Stacking集成模型。实验结果表明，改进的Stacking集成模型相较于基分类器和传统Stacking模型在准确率、精确率和F1-Score上均有显著提升，取得了更为理想的预测效果。

关键词：期权, 隐含波动率, 特征选择, Stacking