论文支持向量机在中国A股市场量化策略应用是关于对写作支持向量机论文范文与课题研究的大学硕士、相关本科毕业论文支持向量机实例讲解论文开题报告范文和相关文献综述及职称论文参考文献资料下载有帮助。
【摘 要】如何将机器学习方法应用于金融投资领域,一直是学术界和金融界热门的研究话题.本文将机器学习中的支持向量机方法结合Fama-Fench三因子模型,构建了新的量化投资策略,并利用A股进行了实证分析.研究表明,将支持向量机结合传统的三因子模型可以构建更加有效的投资组合.
【关键词】机器学习 量化投资 三因子模型
一、引言
作为人工智能领域主要的研究方向之一,机器学习无疑最受瞩目.尤其是近几年深度学习方法在语音识别、自然语言处理、自动驾驶等方面取得了巨大的成功,使得各行各业都将机器学习方法做为重点的研究方向.特别是在金融领域,以机器学习为主的人工智能已经在量化投资方面得到了广泛的应用.机器学习可以快速海量地进行分析、拟合、预测,人工智能和量化交易联系越来越紧密.如全球最大的对冲基金桥水联合（Bridge water Asspcoates）在2013年就建立了一个基于机器学习的量化投资团队,该团队设计交易算法,利用历史数据预测未来金融市场变化,以人工智能的方式进行投资组合调整.日本的人工智能量化投资公司Alpaca,建立了一个基于图像识别的机器学习技术平台Capitalico,通过该平台,用户可以利用数据库中找到外汇交易图表进行分析,这使得普通投资者也能知道成功的交易员是如何做出交易决策的,从他们的经验中学习并作出更准确的交易.然而在金融领域,已公开的有效的预测模型是基本不存在的,因为无论是机构投资者还是个人投资者一旦公开投资模型,也就意味着投资模型的失效.比如著名数学家西蒙斯1988年成立的文艺复兴公司,就完全依靠数学模型进行投资,公司旗下从事量化投资的大奖章基金回报率也远超过其他对冲基金,然而该公司却从不公开投资模型.虽然金融机构很少公开如何利用机器学习来指导投资的研究成果,但学术界对机器学习在金融投资中的应用的研究却在逐渐增加.
支持向量机（support vector machines,SVM）是Vapnik 1995年提出的新的机器学习算法,该方法有很好的泛化能力,一种非常成功的机器学习方法,性能明显优于传统神经网络.在金融研究领域,支持向量机也是应用最广泛的机器学习模型.即使在国内,利用SVM方法的研究文献也不少.赛英（2013）利用支持向量机（SVM）方法对股指期货进行预测,并用遗传算法（GA）和粒子群算法（PSO）分别优化四种不同核函数的支持向量机,通过大量实验发现,采用粒子群算法優化的线性核函数支持向量机对股指期货具有最好的预测效果.黄同愿（2016）通过选择最优的径向基核函数,再利用网格寻参、遗传算法和粒子群算法对最佳核函数参数进行对比寻优,构建最有效的支持向量机模型,并对中国银行未来15日的开盘价格变化趋势进行预测,并认为用支持向量机来预测股票走势是可行的.程昌品（2012）提出了一种基于二进正交小波变换和ARIMA-SVM方法的非平稳时间序列预测方案.用高频数据构建自回归模型ARIMA进行预测,对低频信息则用SVM模型进行拟合；最后将各模型的预测结果进行叠加,并发现这种办法比单一预测模型更加有效.张贵生（2016）提出了一种新的SVM-GARCH预测模型,通过实验发现该模型在时间序列数据去除噪音、趋势判别以及预测的精确度等方面均优于传统的ARMA-GARCH模型.徐国祥（2011）在传统SVM方法的基础上,引入主成分分析方法和遗传算法,构建了新的PCA-GA-SVM模型.并利用该模型对沪深300指数和多只成分股进行了验证分析,并发现该模型对沪深300指数和大盘股每日走势有很好的预测精度.韩瑜（2016）结合时间序列提出了一种基于GARCH-SVM、AR-SVM的股票涨跌预测方法,结果表明,加入GARCH或AR等时间序列模型的初步预测结果可以提高SVM预测准确率.
从国内的研究文献来看,大多数文献都是通过机器学习方法来优化传统的时间序列预测模型,很少去研究如何通过机器学习方法构建有效的量化投资策略.由此,本文将利用SVM算法,结合经典的Fama-Fench三因子模型,设计量化投资策略,探讨机器学习方法在金融投资领域应用的新思路.
二、模型理论介绍
(一)Fama&Fench三因子模型
Sharpe（1964）,Lintner（1965）和Mossin（1966）提出的资本资产定价模型（CAPM）是一个里程碑.在若干假定前提条件下,他们严谨地推导出了在均衡状态下任意证券的定价公式：
式中,E（ri）是任意证券i的期望收益率,E（r0）是无风险利率,E（rm）是市场组合（market portfolio）的期望收益率.■.法马（Fama,1973）对CAPM进行了验证,发现组合的β值和其收益率之间的线性关系近似成立,但截距偏高,斜率偏低,说明β不能解释超额收益.之后,Fama&Fench（1992）详细地分析了那些引起CAPM异象的因子对证券横截面收益率的影响.结果发现,所有这些因子对截面收益率都有单独的解释力,但联合起来时,市值和账目价值比（BE/ME）两个因子在很大程度上吸收了估计比值（E/P）以及杠杆率的作用.基于此,Fama&Fench（1993）在构建多因子模型时,着重考虑规模市值（ B）和账面价值比（HML）这两个因子.因此,三因子模型可以写为：
(二)支持向量机
支持向量机是一种二分类模型,也可以用于多分类,它的基本模型是定义在特征空间上的间隔最大的线性分类器,通过寻求结构化风险最小来提高分类器的泛华能力,实现经验风险和置信范围的最小化,最终可转化为一个凸二次规划的问题求解.支持向量机是90年代最成功的机器学习方法,它的基本思想是求解能够正确划分训练数据集并几何间隔最大的分离超平面,该超平面可以对数据进行分类,分类的标准起源于逻辑回归,logistic回归的目的是从特征学习出一个0/1分类模型,logistic函数（sigmoid函数）的表达形式为：
总结:本论文为您写支持向量机毕业论文范文和职称论文提供相关论文参考文献，可免费下载。
参考文献：
1、 基于支持向量机战术电台网络通信信号调制识别 摘 要 为了在低信噪比下准确识别战术电台网络通信信号的调制方式，利用多种参数提取方法与支持向量机（SVM）对战术电台网络通信信号的调制方式进行识。
2、 基于支持向量机的光电测量系统畸变校正 摘 要： 畸变直接影响光电测量系统的测量效果，为了提高光电测量系统的测量精度，提出基于支持向量机的光电测量系统畸变校正模型。首先对当前光电测量系。
3、 基于遗传算法的双子支持向量机的模型选择 摘 要： 双子支持向量機是在支持向量机的基础上提出的一种新的机器学习方法。与传统支持向量机相比，双子支持向量机寻找的是一对不平行的超平面，计算效。
4、 最小二乘支持向量机在船舶交通流特征分析中应用 摘要：船舶交通流分布特征的研究可为船舶通航安全管理与航道规划设计提供基础性依据，而从离散的船舶交通流数据中拟合出其分布函数是研究其分布特征的关键。
5、 基于五因素模型A股市场交易策略 [提要] 本文以Fama-French五因素模型为研究基础，结合基本面分析和技术分析，挖掘具有价值投资的一类公司作为投资组合。研究发现：选出的投。
6、 A股市场离婚到底有多贵赵薇哥哥离婚，嫂子拿走5亿分手费 恋爱虽易，婚姻不易，这话相信很多人都深有体会。而对于上市公司的大股东们来说，更是如此，一旦婚姻解体，伤心伤财不说，出于信息披露的要求，还得主动将。