Jun, 2024
基于RNN、随机森林和XGBoost的分类建模用于非平衡数据: 东盟5国股市早期崩盘检测案例
Classification Modeling with RNN-Based, Random Forest, and XGBoost for
Imbalanced Data: A Case of Early Crash Detection in ASEAN-5 Stock Markets
TL;DR该研究通过使用简单的RNN等多种循环神经网络（RNN）结构与经典算法进行比较，评估其在构建ASEAN-5股票市场中用于早期崩盘检测的分类模型方面的性能。研究使用不平衡数据进行分析，该类数据很常见，因为市场崩盘的发生是罕见的。研究分析了2010年至2023年期间东盟五国主要股票市场的日常数据，包括印度尼西亚、马来西亚、新加坡、泰国和菲律宾。以股票价格指数低于5%、2.5%和1%的风险值为阈值时，将其定义为市场崩盘的目标变量。预测变量包括主要本地和全球市场以及大宗商品市场的技术指标。本研究包括213个具有各自滞后期（5、10、15、22、50、200）的预测变量，并使用时间步长7，将预测变量的总数扩大到1491。通过SMOTE-ENN解决了数据不平衡的挑战。结果表明，所有基于RNN的结构均优于随机森林和XGBoost。在各种RNN结构中，由于数据特征不过于复杂且更关注短期信息，简单的RNN表现出色。该研究通过包含不同地理区域和时间段以及方法上的调整，增强了和扩展了以往研究观察到的现象范围。