郑州大学-机器学习 文献股票预测

补充：提升树3、结果分析4、结论01提升树PleaseAddTextHere提升树提升树是以分类树或回归树为基本分类器的提升方法回归问题的提升树（基学习器为回归树）

02结果分析NYSE（纽约证券交易所）NASDAQ（纳斯达克证券交易机构）NSE（印度国家证券交易所）DowJonesIndustrialAverage(DJIAINDEX)S&P500Index(INX)MSFT微软公司2005-01-01to2019-12-30BAC(美国银行公司)CarMax,Inc.(KMX)XOM

(埃克森美孚公司)TATASTEEL（塔塔钢铁有限公司）HCLTECH(HCL技术有限公司)数据集（计算指标）降维训练集（70%）十折交叉验证的准确率测试集（30%）1、准确率2、精度3、召回率4、F15、特异度分数6、AUCET，VC，XGBoost，Adaboost，RF，BC结果分析AdaBoost在BAC、s&p500、DJIA、KMX、TATASTEEL、HCLTECH训练数据集上的准确率得分最高训练集上利用十折交叉验证计算准确率结果分析ExtraTrees分类器产生了最好的平均准确率AdaBoost的平均精度得分最高VotingClassifier平均召回率得分最高ExtraTrees分类器平均F1分数最高结果分析AdaBoost分类器的平均特异性得分最高ExtraTrees分类器的平均AUC得分最高RFAdaXGBCETVC准确率（训练集）√准确率（测试集）√精度（测试集）√召回率（测试集）√F1（测试集）√特异度（测试集）√AUC（测试集）√肯德尔协和系数检验在实践中，经常需要按照某特别的性质来多次（k次）对n个个体进行评估或者排序

假设检验问题：Kendall’sW（肯德尔协和系数）肯得尔协和系数又称肯德尔W系数，是表示多列等级变量相关程度的一种方法常用于：K个评价者对n个事物进行等级评价是否一致

W值越大，意味着各个个体在评估中有明显不同，可以认为认为这样所产生的评估结果是有道理的。因而越应该拒绝零假设，接受备择假设。而如果W值不显著，意味着评估者对于诸位个体的意见很不一致，则没有理由认为能够产生一个共同的评估结果

RFAdaXGBCETVCBAC364125XOM425136S&P500263154MSFT234165DJIA263154KMX362154TATASTEEL3.563.5152HCLTECH46321523.54127.593235Meanrank2.93755.1253.43751.12544.375

准确率ET>VC>Adaboost>XGBoost>RF>BC.精度ET>AdaBoost>VC>RF>BC>XGBoost召回率F1分数ET>VC>Adaboost=XGBoost>RF>BCET>VC>XGBoost>Adaboost>RF>BC训练集AdaBoost>VC>ET>XGBoost>RF>BC测试集准确率准确率精度召回率F1AUCET>VC>XGBoost>Adaboost>RF>BC特异度ET>VC>Adaboost=XGBoost>RF>BCET>VC>Adaboost>XGBoost>RF>BCET>AdaBoost>VC>RF>BC>XGBoost04结论4、结论

实验结果表明，AdaBoost模型在训练集的十倍交叉验证准确率上优于其他模型。对于测试数据，只有准确性、精确度、