基于高斯核支持向量机及遗传算法优化组合探究.docVIP

基于高斯核支持向量机及遗传算法优化组合探究 　　摘要选用2008～2015共8年数据，首先基于高斯核的支持向量机在沪市A股上构建周期性的投资组合，并通过误差图和评价指标与BP神经网络、广义回归神经网络进行比较，结果表明了支持向量机在股票预测上更具有优势.再将改进遗传算法运用于上证股票市场构建最优投资组合，以上证指数作为基准进行比较，得出混合遗传算法优化组合的模型相比单一模型更为有效. 关键词机器学习；高斯核支持向量机；遗传算法；投资组合 中图分类号F064.1 文献标识码A 1引言 机器学习研究计算机怎样模拟或实现人类的学习行为，以获得新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能.机器学习在实际分类问题中广泛应用与众多领域，如通信技术[1]，网络流量分析[2]，医学成像[3]，时间序列分析[4]等.相比于ARMA或者ARCH这些传统的技术和定量分析方法模型，机器学习从大量数据中发现隐含的模式，构建更为复杂的模型来实现对未来的预测更能体现模型的优越性与实用性.研究表明，采用机器学习的方法对金融市场进行预测，将特征属性作为输入来发现其与隐藏模式之间的联系，能够预测未来价格趋势或预测趋势信心的百分比.尤其在证券交易中，运用支持向量机，神经网络等混合模型进行学习能够得到更为有前景的结果[5]. 目前，金融预测是机器学习在资本市场对数据进行挖掘的最重要的应用，机器学习的技术包括神经网络，支持向量机，遗传计算等.已经有很多学者在这方面进行了研究，卢和吴[6]采用了人工神经网络对标普500指数的未来走势方向进行了预测，并且将结果与传统的ARIMA模型进行比较，结果表明人工神经网络的优越性.McDonald， Coleman等[7]调查了一些机器学习的方法并将其组合进行研究，结果表明混合模型，包括线性和非线性的算法能够在金融序列的未来发展方向上表现出更多的价值. Chen和Shih[8] 采用了BP神经网络与SVM对6个亚洲指数进行预测，获得SVM相比于神经网络更高的准确度.Tay和Cao[9]证明了5种金融时间序列数据可以用支持向量机进行预测，并指出其效果优于人工神经网络.Chang[10]应用遗传算法（GA）、禁忌算法（TS）和模?M退火算法（SA）求解复杂约束下的投资组合问题，并通过实证得出用遗传算法和模拟退火求解投资组合问题，明显优于禁忌算法. 对于投资者如何从数千中资产中选择构建投资组合的方法，也有很多学者进行研究.Markowitz提出了“均值-方差（MV）”模型为投资者构建投资组合提供了理论基础.许多学者在此基础上对投资组合理论进行了延伸[11-15].Jagannathan等[16]在M-V模型中简化各资产的权重限制为非负，即不允许组合中出现卖空资产，指出此限制可以减小最优资产组合估计的误差，且在此限制条件下，通过样本协方差阵估计和因子模型估计及收缩估计得到的最优组合表现结果一直.Van der Hart等[17]通过分析32个新兴市场在1985～1999年间的市盈率、市值、价格等数据信息，发现相对于交易量，流动性和均值回复，基于价值，动量与盈利预测调整的策略具有更显著的超额收益.Fan等[18]运用支持向量机发掘公司财务和股价信息来选择资产.Rachev等[19]在Rewardrisk准则下用动量策略来选股. 纵观国内外相关研究，学者在研究机器学习在资本市场的应用更多考虑模型方法的有效性与准确性，本文在前人的基础上运用支持向量机模型对股票进行分类预测，构建周期性的投资组合模型，进而在MV模型基础上采用改进遗传算法求解具有投资限制的最优资产组合.这样做的好处是：第一，循环周期训练模型，能够不断根据最新数据进行调整模型，在一定程度上适应了数据更新的需求，也消除过度使用历史数据的影响；第二，将数据输入改进的模型中可以得到更优的资产组合与权重分配，具有很强的使用价值；第三，改进的遗传算法能使资产组合具有良好的风险收益特征.通过研究，表明基于支持向量机和遗传算法在解决资产方向预测和优化资产组合问题上都有效可行，相信通过改进和完善会有更好的应用前景. 2模型理论 2.1支持向量机 支持向量机（SVM）是由Vapnik等提出来的，它是基于统计学习理论的VC维理论和结构风险最小化理论的机器学习理论.SVM是用于数据分类的一种监督学习算法[20] . 假设训练样本集{（x1，y1），…，（xn，yn）}，xi，yi∈R则SVM回归模型的线性回归函数方程是： f（x）=wx+b. （1） 为保证线性方程的平坦，需寻找一个最小的w，因此采用最小化欧几里得空间的范数.假设所有的训练数据可以在精度ε下用线性函数拟合，那么寻找最小w的问题可以表示为一个凸优化问