支持向量分類機(SVC)在量化選股中的應(yīng)用.pdf

1、近年來，量化投資在國內(nèi)日漸受到人們的關(guān)注。憑著其紀律性、系統(tǒng)性、及時性及分散化的特點，從我國現(xiàn)實國情來看，量化投資在未來的一段時期內(nèi)必然有著良好的發(fā)展前景。也正是因為量化投資有著如此大的發(fā)展?jié)摿Γ貙懈嗟耐顿Y者將目光轉(zhuǎn)向了這一新興的領(lǐng)域。但是目前國內(nèi)量化投資產(chǎn)品存在總規(guī)模小、策略單一、業(yè)績表現(xiàn)分化等缺陷，因此，對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。
　　支持向量機分類技術(shù)，有著其他分類方法所不具備的優(yōu)勢:首先，SVM在樣本有限的的情況下可以有效地對樣本進行分類;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，在這一點上SVM算法是優(yōu)于其他算法（如神經(jīng)網(wǎng)絡(luò)）的;最后，因為在具體應(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雜性。因其強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，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?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?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SVC效果評價時，首先簡要介紹了在利用線性判別分析分類時的誤判率，以此為參照給出了表觀誤判率的介紹，進而指出此時對SVC效果評價的局限性，引入了交叉驗證尋求誤判率的評價方法。
　　本文正是基于支持

4、向量機分類技術(shù)，利用獲取的股票指標作為進行分類的依據(jù)，對股票進行分類。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的投資策略。在文章中，對于上證A股中九百多只股票的財務(wù)數(shù)據(jù)，在經(jīng)過預(yù)處理、標準化以后進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貢獻率達到85％以上的綜合主成分指標。對于得到的以選取的主成分為指標的變量集，利用支持向量機SVM中的分類技術(shù)（文章運用的是C-分類機），進行分類。在分類