支持向量机SVM在量化择时中的策略回测.docxVIP

支持向量机SVM在量化择时中的策略回测

一、量化择时与SVM方法的应用逻辑溯源

（一）量化择时的核心目标与传统方法局限

量化择时是量化投资领域的核心研究方向之一，其本质目标是通过对各类市场数据的分析，判断未来一段时间市场的涨跌方向，在大概率上涨阶段持有风险资产获取收益，在大概率下跌阶段持有低风险资产规避回撤，最终实现比简单买入持有更高的长期收益和更平滑的净值曲线。在很长一段时间里，量化择时主要依赖两类方法：一类是基于技术指标的趋势跟踪方法，比如均线交叉、MACD信号、量价突破等，这类方法的逻辑简单易懂，在趋势性行情中表现较好，但存在固有的滞后性，很容易在震荡行情中因为频繁的假信号反复亏损，整体胜率不高；另一类是基于线性统计模型的预测方法，比如线性回归、传统时序预测模型等，这类方法假设市场运行是线性关系，无法捕捉市场中大量存在的非线性规律，在市场结构发生变化时很容易失效。国内资本市场的个人投资者占比相对较高，市场运行受到情绪、资金等非基本面因素的影响更大，价格序列的非线性、非平稳特征显著，传统线性择时模型的样本外胜率长期低于百分之五十，很难为投资决策提供稳定可靠的参考（张峥等，2013）。随着机器学习技术的发展，越来越多的研究者开始尝试用非线性模型解决量化择时问题，但早期应用较多的神经网络类方法存在对样本量要求高、容易陷入局部最优、过拟合风险大等问题，在高噪声的金融数据场景下的表现并