|
基于支持向量机的股票市场择时——数量化系列研究之八本报告导读： zSVM 模型在单边市的预测准确率最高，在上涨和下跌市均在 70%以上；在震荡市准确率最低为 53%；整体市场的准确率为 61.58%。 摘要：传统的金融分析和理论中，所采用的决策模型往往都是建立在苛刻的假设条件下的，虽然这些简洁的模型很容易理解和解释，但在精度和解释力度上就往往偏离了实际情况。金融数据挖掘技术的运用从某些意义上
来讲可以突破这些限制，得到更实用更贴近现实的预测结果。 支持向量机作为数据挖掘领域应用于模式识别的新技术，它克服了传统统计模式识别方法存在的样本需求量大、过度学习、局部最小值等问题。 支持向量机(Support Vector Machines, SVM) 是 Vapnik 和他的合作者于1995 年在统计学习理论和结构风险最小化原则基础上提出的，它具备完备的理论基础和出色的学习能力，是借助于最优化方法解决有限样本机
器学习问题的数据挖掘新方法。 SVM 是以训练误差作为优化问题的约束条件，以置信范围值最小化作为优化目标，结构风险最小化原则决定了 SVM 在某些领域的预测能力要优于神经网络等传统学习方法。SVM 利用一些具有特殊性质的核函数，将低维空间中的非线性分类通过内积运算转化为高维空间中的线性分类。目前支持向量机已逐步被应用至金融领域。 股指期货的推出使得我们对大盘方向的判断具有可操作性，我们可以在判断后市涨的时候做多，判断后市跌的时候做空。甚至可以构建基于一定概率的交易策略，通过设计好买卖的点位、止盈止损位，能使概率策略的盈利变为可行。 我们采用 SVM 方法，对股指期货标的沪深 300 指数进行全市场、上涨市、下跌市和震荡市的择时判断。我们所预测的是：沪深 300 指数在下一周的涨或跌，也就是说是个 0 和 1 的选择。 我们构建的基本策略是：建立两个账户，分别是指数账户和 SVM 账户，并分别投资 10000 元。指数账户采取完全复制沪深 300 指数的策略；SVM账户按照预测结果对仓位进行调整，当预测指数上涨时，则复制指数进
行投资，当预测指数下跌时，则空仓操作。 最后测试所得的结论是：1）SVM 在单边市场有着较高的预测精度，在单边上涨和单边下跌市场，其预测精度均在 70%以上。2）利用 SVM 可以有效地规避市场下跌风险。例如在 07 年底、08 年 6 月中和 8 月初，SVM 均提示下跌风险，有效规避了市场的几波大跌。3）在震荡市，利用 SVM 方法进行投资的收益基本和市场一致，但一旦市场的出现较为明显的向下或向上时，SVM 可以较早的给予提示。例如从 10 年 4 月 16日开始，SVM 账户从年初以来的持有状态变为空仓操作，有效规避了大盘的一波猛跌。4）当采用 SVM 出现较为集中的失误时，值得引起我们重视，因为很可能这意味着市场的拐点已到来。
| 
