现代社会,股票已成为大众所热衷的投资手段之一。若可以预测股价的走势,就可以在适当的时机对交易市场进行一定的调控引导,对投资者的投资方向也有指导意义,对相关经济领域的健康发展也有参考价值。针对股票数据高维度、噪声大、低稳定特点,如何利用机器学习来分析预测股票趋势成为了新时期的热门课题。目前,基于机器学习的量化分析和股价涨跌预测技术大多是将股价的升高和降低看作是一个二分类问题开展研究。但是,在以往的股票量化分析研究中,对这个分类问题中可能出现的数据集不均衡问题没有引起充分关注,比如:一段时间内,股票市场会出现“牛市”或“熊市”的特殊情况,在“牛市”中,所有股票上涨的几率远大于下跌的几率,在“熊市”中则相反,大部分股票都容易处于下跌的状态。由于分类明显不均衡,这使得市面上常用的分类算法在特殊情况下很难做出精准预测,无法帮助投资者在“牛市”或“熊市”中更好的规避风险或者获取收益。为了解决分类不均衡时的股票价格涨跌趋势预测问题,本文将代价敏感学习的思想引入预测模型研究,做了以下四个方面的工作:1.数据收集及特征选择。在白酒、券商、医药、教育、科技板块中选取比较具有代表性的5支股票,收集2017年全年249个交易日最高价格,最低价格,收盘价格,成交量等数据,以分钟为基本粒度对近30万条数据进行清洗并划分数据集,开展特征工程,建立收盘价的简单移动平均值(SMA)、收盘价的指数加权移动平均值(EWMA)、股票动量指标(MTM)、相对强弱指标(RSI)等8个重要特征。2.提出一种代价敏感函数。基于代价敏感学习的处理方法,根据样本实际分布构造代价因子,将权重距离引入代价函数的计算过程,构建一种综合考虑各个特征重要性的代价敏感函数,称为:多因素加权代价敏感函数,它能更好地捕捉在此问题中不同类别的误分代价,防止少数类被忽略。3.设计两个分类算法。通过将多因素加权代价敏感函数分别与支持向量机和随机森林相结合,分别设计了两个代价敏感分类算法,即代价敏感支持向量机(Cost Sensitive-Support Vector Machine)和代价敏感随机森林(Cost Sensitive-Random Forest),并在训练集上优化模型;同时,设计加入防恶意操作策略,从而防止“庄家”和投资者在使用相同的模型预测时进行恶意操盘的情况发生。4.指标评价和测试验证。为了更好的评价模型在不均衡分类问题中的表现,采用AUC作为评价指标,在所构建的股票数据集上,将这两种分类器和市面常用的股票趋势预测模型进行了对比实验,实验结果表明,本文研究设计的两种二分类算法训练的模型效果更好,可以为投资者在“牛市”或“熊市”市场环境下的股价涨跌预测问题提供参考。