基于支持向量机的股票量化交易策略研究

【摘要】：近些年来,科学技术的发展使量化投资逐渐受到人们的关注,我国目前量化投资的产品规模和策略单一,业绩表现也不尽如人意,因此,对于量化投资和模型的新方法研究很有必要,并且机器学习迅速的发展也为量化投资的发展带来了重大的机遇。SVM的基本思想是在选定相应的核函数之后,再将低维空间的分类问题转化成高维空间的分类问题,在高维空间需求间隔最大化的线性模型,使数据能够在高维空间得到划分。本文首先建立了模型误差判别公式来计算模型的误判率,进而指出了别的模型在计算误判率时的局限性,并且证明了本文提出的误判率模型相对其他的误判率有明显的改进,同时引入了交叉验证来找寻误判率的方法。本文主要是基于机器学习中SVM的分类技术,利用股票的分类指标作为分类的依据,对于股票进行分类的同时来预测股票的收益率,在获得分类结果之后,选取表现优异的股票和表现糟糕的股票构建组合,得出的收益率最后大于市场平均的收益率。在本文中,选取了900多支股票的财务指标数据,经过主成分分析后对于变量进行了特征选取,选出的特征中方差的贡献率达到了97.64%,对于选出的主成分指标,利用支持向量机中的分类技术进行分类,同时改进了高斯核函数进行寻优,得到了分类效果较好的分类机,进而得出优势股票的组合,在预测股票的收益率上,基于前人提出的三因子组合,增加参数改进三因子组合模型,得出的预测收益率明显得到了提高,这说明,本文提出的基于支持向量机的选股模型是可用的,为以后建立新的量化选股和量化预测提供了很好的借鉴。