XGBoost Algorithm-based Model for Predicting Mutual Fund Returns

doi:10.1007/s10614-025-11256-w

2026-01-01

PRE

DOI：10.1007/s10614-025-11256-w

原文链接

原文求助

摘要

En 中文

准确预测共同基金绩效对于投资组合管理和投资决策至关重要。本文将基金层面的历史数据与宏观经济指标结合到一个复合预测模型中，该模型使用三种改进的XGBoost变体和一个动态组合神经网络（DCN）元模型来提高预测和风险调整后的表现。研究采用了三种不同的XGBoost变体：年度分层XGBoost（YL XGBoost）、多层分类器XGBoost（MLC XGBoost）和优化权重XGBoost（OW XGBoost）。它们被整合到DCN元模型中。输入包括基金特定属性和宏观经济变量，使该模型能够捕捉内部基金动态和外部市场模式。模型性能通过均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、夏普比率、特雷诺比率、索提诺比率、最大回撤和决定系数（R-2）进行衡量，在预处理和特征工程后。统计显著性在p = 0.05的水平上评估，并将结果与以前的预测模型进行比较。三个基模型均表现出有效的预测能力：OW-XGBoost（RMSE = 0.0055；MAE = 0.0237；夏普 = 0.0468），YL-XGBoost（RMSE = 0.0048；MAE = 0.0054；夏普 = 0.0417），和MLC-XGBoost（RMSE = 0.0053；MAE = 0.0065；夏普 = 0.0472）。这些基模型被堆叠到DCN元模型中，实现了RMSE = 0.0983、MAE = 0.2195和MAPE = 11.75%的显著改进。它提供了最佳的夏普比率（1.128）、最佳的特雷诺比率（5.5674）、最佳的索提诺比率（2.18）和最小的最大回撤（9.87%）。统计比较验证了元模型的优越性（p < 0.05），并且它在风险调整模型中表现优于过去的预测技术和模型，如贝叶斯优化和随机森林。

Keyword:

Mutual fund

XGBoost

DCN

Sharpe ratio

Treynor ratio

Sortino ratio

Risk-adjusted performance