支持向量分類機(jī)(SVC)在量化選股中的應(yīng)用.pdf

1、近年來，量化投資在國(guó)內(nèi)日漸受到人們的關(guān)注。憑著其紀(jì)律性、系統(tǒng)性、及時(shí)性及分散化的特點(diǎn)，從我國(guó)現(xiàn)實(shí)國(guó)情來看，量化投資在未來的一段時(shí)期內(nèi)必然有著良好的發(fā)展前景。也正是因?yàn)榱炕顿Y有著如此大的發(fā)展?jié)摿?，必將?huì)有更多的投資者將目光轉(zhuǎn)向了這一新興的領(lǐng)域。但是目前國(guó)內(nèi)量化投資產(chǎn)品存在總規(guī)模小、策略單一、業(yè)績(jī)表現(xiàn)分化等缺陷，因此，對(duì)于新的方法的分析研究以及開展不同的建模思路就變得很有必要，并且新方法的引入對(duì)于相關(guān)的其他量化選股策略也可以提供很好的思路

2、和借鑒。
　　支持向量機(jī)分類技術(shù)，有著其他分類方法所不具備的優(yōu)勢(shì):首先，SVM在樣本有限的的情況下可以有效地對(duì)樣本進(jìn)行分類;其次，從理論上可以說，SVM得到的解是全局最優(yōu)的。這就為解決局部極值問題提供了好的方法，在這一點(diǎn)上SVM算法是優(yōu)于其他算法（如神經(jīng)網(wǎng)絡(luò)）的;最后，因?yàn)樵诰唧w應(yīng)用過程中不涉及高維空間H的具體形式，而只是反映在核函數(shù)上，因此很好的解決了高維問題的復(fù)雜性。因其強(qiáng)大的推廣能力及核函數(shù)有效的非線性映射能力的優(yōu)勢(shì)，可以作

3、為量化選股策略的一種新的方法。
　　SVC方法的基本思想是在選定適當(dāng)?shù)暮撕瘮?shù)后，將低維空間的分類問題轉(zhuǎn)化為高維空間的分類問題。在適當(dāng)?shù)母呔S空間里尋求滿足maxβ,β0‖β‖=12M條件的線性模型，使其能在高維空間下線性分劃。文章在對(duì)SVC效果評(píng)價(jià)時(shí)，首先簡(jiǎn)要介紹了在利用線性判別分析分類時(shí)的誤判率，以此為參照給出了表觀誤判率的介紹，進(jìn)而指出此時(shí)對(duì)SVC效果評(píng)價(jià)的局限性，引入了交叉驗(yàn)證尋求誤判率的評(píng)價(jià)方法。
　　本文正是基于支持

4、向量機(jī)分類技術(shù)，利用獲取的股票指標(biāo)作為進(jìn)行分類的依據(jù)，對(duì)股票進(jìn)行分類。在獲得的分類結(jié)果的基礎(chǔ)上，選取表現(xiàn)優(yōu)異的股票構(gòu)建股票組合，獲得收益率超過大市場(chǎng)的投資策略。在文章中，對(duì)于上證A股中九百多只股票的財(cái)務(wù)數(shù)據(jù)，在經(jīng)過預(yù)處理、標(biāo)準(zhǔn)化以后進(jìn)行了變量的特征選取，利用主成分分析方法選出了方差累計(jì)貢獻(xiàn)率達(dá)到85％以上的綜合主成分指標(biāo)。對(duì)于得到的以選取的主成分為指標(biāo)的變量集，利用支持向量機(jī)SVM中的分類技術(shù)（文章運(yùn)用的是C-分類機(jī)），進(jìn)行分類。在分類