XGBoost股票预测

XGBoost

极端梯度提升（Extreme Gradient Boosting,XGBoost,有时候也直接叫做XGB）和GBDT类似，也会定义一个损失函数。不同于GBDT的是只会用到一阶导数信息，XGBoost会利用泰勒展开式把损失函数展开到二阶之后求导，利用了二阶导数信息，这样在训练集上的收敛就会更快

参数介绍

---

主要参数	解释
max_depth	数的最大深度，一般值为【3，4，5】
gamma	学习速率，决定收敛速率以及正确率
subsample	训练每棵树时所选样本占总训练集比例
colsample_bytree	训练每棵树时所选特征占据总体特征比例
n_estimators	迭代次数（树的数量）
min_child_weight	最小叶子节点样本权重和，值越大泛化能力越强

项目实战（股票风险走势预测）

方法讨论

其实针对这个问题我知道的最好办法就是用LSTM循环神经网络去处理（但是毕竟我们在讲XGBoost，所以不要在意这些细节【狗头】）

利用XGBoost处理这类时间序列问题我能想到的有两种方法

1. 将前几天的数据作为特征集，今天的股票close列作为标签，这种方法的优点就是准确率高，但是缺点也很明显，

   他只能预测未来一天。。。。。。

1. 用当天的股票数据作为特征，当天的close列作为标签，用来训练模型（就像咱们普通的回归预测一样），然后将所有选取的特征各自建立时间序列模型，预测他们未来几天的数据，然后将该数据作为特征集，用训练好的模型predict，得到的就是咱们要预测的未来几天的数据 ，这个方法的优点就是能够预测未来几天的数据嘿嘿，缺点就是正确率不如前者，往后预测的天数