数量化系列研究之八：基于支持向量机的股票市场择时-.docVIP

 DOCPROPERTY doctypename \* MERGEFORMAT 专题报告 请务必阅读正文之后的免责条款部分  PAGE 10 of  NUMPAGES 10 请务必阅读正文之后的免责条款部分 金融工程 金融工程 [Table_MainInfo][Table_Title] DOCPROPERTY doctypename \* MERGEFORMAT 数量化研究  DOCPROPERTY date \* MERGEFORMAT 2010.07.21 基于支持向量机的股票市场择时 ——数量化系列研究之八杨喆蒋瑛琨杨振建021021yangzhe@jiangyingkun@S0880108073515S0880209020385本报告导读：SVM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： [Table_Summary]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。   [Table_Report]相关报告《资产配置之B-L模型Ⅱ：实证篇 ——数量化系列研究之七》2008.12.01《资产配置之B-L模型Ⅰ：理论篇 ——数量化系列研究之六》2008.12.01 支持向量机模型（SVM） SVM简介 随着数据库技术的成熟和计算机应用的普及，我们身边每周所生成的新数据量正在以指数速度迅速的膨胀着。如何从如此庞大的数据库中删选，加工，挖掘其中的有用知识就将变得尤为重要。 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，形式上就是一些简单的数学公式。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。 单就股票市场而言，其中的金融规律复杂，影响因素较多。就其影响因素总体而言，影响股市的变化趋势主要包