基于加权集成学习预测建筑类公司股价

由于股价数据的高复杂性及对多种条件的依赖，对其行为建模一直是人工智能（AI）与机器学习（ML）中具有挑战性的应用之一。近期研究表明，仅用单一学习模型难以完成该任务。对于建筑行业公司，因其行为依赖更多条件，问题可能更为复杂。本研究旨在提供一种混合模型，以提升建筑行业公司股价指数的预测精度。本文贡献如下：首先，组合多种预测模型以预测股价，使各学习模型能相互覆盖误差。本研究提出一种基于人工神经网络（ANN）、高斯过程回归（GPR）与分类回归树（CART）的集成模型用于预测股价指数。其次，采用优化技术确定各学习模型对预测结果的影响。为此，首先三种所述算法同时处理数据并执行预测；随后利用布谷鸟搜索（CS）算法将各算法输出权重确定为系数；最后通过集成技术结合这些结果，并对最优系数进行加权平均生成最终输出。结果表明，在所提集成系统中使用 CS 优化对降低预测误差极为有效。将所提系统与同类算法的评估结果比较，表明我们的模型更精确，并可应用于真实场景中的股价指数预测。