不可不知的N种量化策略模型.pdfVIP

不可不知的 N 种量化策略模型 量化之星-策略模型研究小组 近一两年来 ，机器学习这个话题在量化投资界可谓是炙手可热，小编身边非常多的朋友都在 讨论、研究，甚至是把机器学习直接应用到量化交易当中。当然，也有另外一批朋友持完全 相反的意见，认为机器学习根本不可靠~ 因此，今天小编就来跟大家一起探讨一下这个话题。 机器学习 所谓机器学习，其实就是根据样本数据寻找规律，然后再利用这些规律来预测未来的数据（结 果）。 但是，直到今天，机器学习也没有一种被大家广泛认同的理论框架产生，这个也是机器学习 被大家诟病的原因之一：它是没有理论基础的。 目前机器学习的方法大概可以分为以下几种： 1、经典的参数统计估计方法 ：基于传统统计学，需要已知的样本分布形式，局限性比较大。 2、经验非线性方法 ：利用已知样本建立非线性模型（如人工神经网络），克服了传统参数 估计方法的困难，但缺乏统一的数学理论。 3、统计学习理论 （SLT ）：专门研究小样本情况下机器学习规律的理论，核心概念是 VC 维 概念，解决了神经网络结构选择、局部极小点等问题。支持向量机（SVM ）就是基于这一 理论产生的。 SVM 支持向量机择时策略 支持向量机 支持向量机（SVM ）这名字听上去就挺高端的，跟小编本人的气质非常配！ 老有人要小编爆照，现在你们满意了么? ！ 所以，到底支持向量机是啥呢？ 请看以下解释： “支持向量机是用来解决分类问题的。 先考虑最简单的情况，豌豆和米粒，用晒子很快可以分开，小颗粒漏下去，大颗粒保留。用 一个函数来表示就是当直径 d 大于某个值 D ，就判定为豌豆，小于某个值就是米粒。 dD, 豌豆 ；dD, 米粒 在数轴上表现为 d 左边就是米粒，右边就是绿豆，这是一维的情况。 但是实际问题没这么简单，考虑的问题不单单是尺寸。 一个花的两个品种，怎么分类？ 假设决定他们分类的有两个属性，花瓣尺寸和颜色。单独用一个属性来分类，像刚才分米粒 那样，就不行了。这个时候我们设置两个值 ：尺寸 x 和颜色y。 我们把所有的数据都丢到 x-y 平面上作为点 ，按道理如果只有这两个属性决定了两个品种， 数据肯定会按两类聚集在这个二维平面上。 我们只要找到一条直线，把这两类划分开来，分类就很容易了，以后遇到一个数据，就丢进 这个平面，看在直线的哪一边，就是哪一类。 例如 ：x+y-2=0 这条直线，我们把数据(x,y)代入，只要认为 x+y-20 的就是A 类，x+y-20 的就是 B 类。 以此类推，还有三维的，四维的，N 维的属性的分类，这样构造的也许就不是直线，而是 平面，超平面。 例如：一个三维的函数分类 ：x+y+z-2=0 ，这就是个分类的平面了。 有时候，分类的那条线不一定是直线，还有可能是曲线，我们通过某些函数来转换，就可以 转化成刚才的那种多维的分类问题，这个就是核函数的思想。 例如：分类的函数是个圆形 x^2+y^2-4=0。这个时候令x^2=a; y^2=b,还不就变成了 a+b-4=0 这种直线问题了。 这就是支持向量机的思想。 机的意思就是算法，机器学习领域里面常常用 “机”这个字表示算法。 支持向量意思就是数据集种的某些点，位置比较特殊，比如刚才提到的x+y-2=0 这条直线， 直线上面区域x+y-20 的全是A 类，下面的 x+y-20 的全是 B 类，我们找这条直线的时 候，一般就看聚集在一起的两类数据，他们各自的最边缘位置的点，也就是最靠近划分直线 的那几个点，而其他点对这条直线的最终位置的确定起不了作用，所以我姑且叫这些点叫 “支持点” （意思就是有用的点），但是在数学上，没这种说法，数学里的点，又可以叫向 量，比如二维点(x,y)就是二维向量，三维度的就是三维向量（x,y,z)。所以 “支持点”改叫 “支持向量” ，听起来比较专业，NB。 所以就是”支持向量机”了。” 【1】 当然了，SVM 的实际理论要复杂的多，如果大家有兴趣，就自行去搜索一下参考资料来看 啦，由于篇幅关系，这边就不赘述了。 核函数分类 目前应用最多的四类核函数分别为：线性核函数、多项式核函数、高斯核函数和 Sigmoid 核函数。 选择不同的核函数和参数，SVM 的性能会有很大的差异，因此核函数及其参数的选择是 SVM 理论和应用研究中的一个重要课题。 SVM 看上去是比较复杂，但是在实际应用当中还是比较简单的，因为 Matlab 本身就已经 提供了 SVM 的工具箱（函数），我们直接调用就可以了，当然，大家也可以自行