原始数据:

> print(data)

申购总额 顶格资金 网上发行 申购价格

1 7357 1424.15 1805.00 15.78

2 5645 506.14 1404.00 7.21

3 7409 1336.34 2914.60 9.17

4 7315 1776.34 2040.66 17.41

5 6146 1276.51 1064.29 23.99

6 6289 1060.20 1900.00 11.16

7 5527 950.00 1900.00 10.00

使用的特征变量:

> print(feature_cols)

[1] "顶格资金" "网上发行" "申购价格"

>

> # 训练改进的梯度提升模型

> set.seed(42)

> cat("\n训练梯度提升模型...\n")

训练梯度提升模型...

> model <- improved_gradient_boosting(X, y, n_trees = 100, learning_rate = 0.03, max_depth = 2)

在第 68 棵树提前停止，MAE: 99.33

预测结果对比:

> print(results)

实际值 预测值 绝对误差 相对误差百分比

1 7357 7252.3 104.7 1.42

2 5645 5704.6 59.6 1.06

3 7409 7277.9 131.1 1.77

4 7315 7235.7 79.3 1.08

5 6146 6256.5 110.5 1.80

6 6289 6256.5 32.5 0.52

7 5527 5704.6 177.6 3.21

新数据特征:

> print(new_data)

顶格资金 网上发行 申购价格

1 754.965 1710 8.83

无完全匹配的历史参考数据，使用相近范围...

相近范围(1500-2000万股)的历史数据:

申购总额 顶格资金 网上发行 申购价格

1 7357 1424.15 1805 15.78

6 6289 1060.20 1900 11.16

7 5527 950.00 1900 10.00

历史申购总额范围: 5527 - 7357 万元

最终预测结果汇总:

> print(final_summary)

预测方法 预测值 说明

1 梯度提升回归 5704.6 基于树集成方法

2 线性回归 5838.7 基于统计回归

3 多元回归 5838.7 基于所有变量回归

4 顶格资金估算 4588.6 按这个预测约6万户，如果顶格2+1，申购迟的，可能分不到碎股。

5 网上发行最终冻结资金估算 6404.4