随机森林算法在金融领域中的应用研究-开题报告

近年来，各学科间不断地融合，研究方法相互渗透已成为现代科学发展的一大趋势。金融理论、数理统计、计量经济学、计算机技术、数据挖掘、机器学习等学科的融合为经济金融的研究提供了新的研究方法和思想。我们注意到，起源于数据挖掘领域的非参数随机森林方法，以非参数决策树方法为基础，借助于机器学习的组合预测思想，结合计算机技术，不仅可以很好地处理非线性、非高斯问题，而且具有较高的预测精度。此外，在非参数随机森林的基础上，不断发展出了分位数回归森林、随机生存回归森林等，并在医学、市场营销、物理、考古等领域都有众多应用。

随机森林法是一种组合分类方法，该法的基本组成就是决策树。决策树是一种由结点与向量组成的层次结构。决策树包含了三种结点：根结点、内结点、终结点。其中，根结点有并且仅有一个，它是训练数据的总体集合。

决策树的每个内结点都是一个分支问题的起点。这些内结点能够将达到该点处的样本数据按照特定属性进行分类处理。此外，每个终结点是带有分类标签的数据集合。这样，任何一条从决策树的根结点到终结点的路径就是一个判别规则。

决策树采用了自顶向下、逐次展开的算法，每个内结点选择分类结果最好的属性，从而实现将到达该点的子样本数据分类成多组。这样的过程持续进行，直至该决策树能够准确地分类全部训练集的数据。

决策树算法的核心问题是，选择能够产生优化分类效果的类属性。选择类属性的标准较多，比如：信息增益、信息增益比、Gini索引等；与此相应，属性选择方法有：D3、C4.5、CART等。

二、^范文提纲

1. 随机森林介绍

1.1.决策树以及相关概念

1.1.1.决策树算法

1.1.2.决策属性选取

1.2.从决策树到随机森林

1.3.随机森林

2.随机森林理论基础

2.1.大数定律

2.2.泛化误差的内部估计、分类效能和相关性

2.3.袋外数据估计

3.随机森林的常用构造方法

3.1.装箱法

3.2.更新权重构建随机森林的方法

3.3.基于输入构建随机森林

3.4.基于输出构建随机森林

4.随机森林在金融中的应用举例

4,1.随机森林在金融中的应用

5.随机森林的进一步研究

三、参考文献

著作：

[1] Pang-Ning Tan / Michael Steinbach / Vipin Kumar. 数据挖掘导论. 人民邮电出版社，出版年. 2010-12-10

[2] Drew Conway / Jobn Myles Wbite. 机器学习：实用案例解析. 机械工业出版社，出版年. 2013-4

[3] Ishwaran H,Udaya B,Kogalur.Consistency of Random Survival Forests. Statistics and Probability Letters . 2010

[4] Breiman L.Out-of-bag Estimation.  //stat.berkeley.edu/pub/users/breiman/OOB estimation.ps . 2010

[5] Nicolai,Meinshausen.Quantile Regression Forests. Journal of Machine Learning Research . 2006

[6] 马景义,吴喜之,谢邦昌.  拟自适应分类随机森林算法[J]. 数理统计与管理. 2010(05)

[7] 曹正凤,谢邦昌,纪宏.  一种随机森林的混合算法[J]. 统计与决策. 2014(04)

[8] 马景义,谢邦昌.  用于分类的随机森林和Bagging分类树比较[J]. 统计与信息论坛. 2010(10)

[9] 李建更,高志坤.  随机森林针对小样本数据类权重设置[J]. 计算机工程与应用. 2009(26)

[10] 吕淑婷,张启敏.  一类带Poisson跳的随机森林发展系统数值解的稳定性[J]. 兰州理工大学学报. 2012(03)