机器学习（XGBoost）在股票收益率预测中的应用——以A股中盘股为例.docxVIP

机器学习（XGBoost）在股票收益率预测中的应用——以A股中盘股为例

一、股票收益率预测与XGBoost模型的基础理论概述

（一）股票收益率预测的核心价值与传统方法局限

在金融市场中，股票收益率的精准预测是投资者、机构与研究人员关注的核心问题，其结果直接影响投资决策的收益与风险控制。对个人投资者而言，精准的收益率预测能帮助优化资产配置，降低盲目交易带来的损失；对机构投资者而言，可靠的预测结果是构建量化交易策略、提升组合收益风险比的关键支撑（张成思等，2021）。传统的收益率预测方法多基于线性回归、时间序列分析等统计模型，这类方法依赖严格的假设条件，比如变量间的线性关系、数据的平稳性，但股票市场的运行受宏观经济、公司基本面、市场情绪等多重因素影响，收益率与各影响因素之间存在复杂的非线性、非平稳性关系，传统模型难以捕捉这些复杂规律，导致预测精度有限（陈强，2019）。此外，传统模型在处理高维特征时容易出现多重共线性问题，无法有效整合基本面、技术面与市场情绪等多维度信息，进一步限制了其预测能力（李洋等，2020）。

（二）XGBoost模型的核心原理与应用优势

XGBoost（极端梯度提升）是一种基于集成学习思想的机器学习模型，由梯度提升决策树（GBDT）改进而来，通过迭代生成多个决策树并加权求和实现预测。与传统GBDT相比，XGBoost加入了正则化项，能有效限制模型复杂度，避免过拟