BIST波动率预测与风险雷达：梯度提升模型的金融应用

本项目针对土耳其伊斯坦布尔证券交易所(BIST)构建波动率预测和风险监测系统，采用LightGBM、XGBoost、CatBoost等梯度提升机器学习模型，结合特征工程与风险监测组件，为金融风险管理提供技术方案，具有明确的市场针对性和实用价值。

伊斯坦布尔证券交易所(BIST)是土耳其唯一证券交易所，新兴市场重要一员，受地缘政治、货币政策、国际贸易等多重因素影响，市场波动性较高，建立有效风险监测机制是投资者参与该市场的重要前提。

项目采用三种梯度提升算法：XGBoost（稳定可解释）、LightGBM（训练快内存低）、CatBoost（擅长类别特征处理），可能用于比较性能或集成策略综合优势。

特征工程是关键，常用特征包括历史波动率、收益率高阶矩、成交量、技术指标、宏观经济指标等，可能还考虑市场微观结构特征（如买卖价差、订单流不平衡），直接影响模型预测能力。

系统包含实时数据采集、预测引擎、风险预警（波动率超阈值警报）、可视化界面，实现从预测到监测的完整流程，具备实际应用价值。

梯度提升树能处理非线性关系、输出特征重要性、鲁棒性强、训练效率高，适合金融时间序列预测场景。

评估采用金融场景指标（方向准确率、回测收益等），回测需避免数据泄露和前瞻偏差，确保结果真实有效。

项目展示机器学习在金融风险管理的应用，技术选型和设计思路是量化金融与机器学习交叉的典型实践，为关注金融AI的读者提供参考案例。