【Matlab量化投资】支持向量机择时策略

推出【Matlab量化投资系列】

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。

d>D, 豌豆；d<D, 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-2>0的就是A类，x+y-2<0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-2>0的全是A类，下面的x+y-2<0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。

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，大家也可以自行去安装一些其他SVM的工具箱来实现。

那下面我们就开始编写策略啦~

小编所使用的数据、策略回测、交易等等都是来自于国泰安量化终端Quantrader。而小编使用的策略编写语言是Matlab，实现策略不要太简单。

策略简介

订阅中证800指数和相应的成分股，使用了日频最高价、最低价、收益率、成交金额、营业收入增长率和次日停牌因子等数据。

策略流程图如下：

策略参数配置

根据之前提到的订阅的交易代码和数据，使用Quantrader可以直接配置如下：

策略主程序

数据准备好了之后，我们就可以开始码代码啦。

1、训练分类器：

2、预测：

3、交易下单：

策略回测

策略写完了当然要用历史数据回测看看绩效。同样的，使用Quantrader，完成回测。

从过去3年半的绩效来看，这个策略年化收益约50%左右，夏普达到了2。