[银座股份]SVM择时模

春江财富

作者

支撑向量机（SVM）是现在很盛行的一个数学办法，首要用于分类与猜测。择时本质上是一个猜测进程，即使用曩昔的数据猜测未来一段时间大盘是上涨仍是跌落。可是商场对错线性的，使得传统的线性猜测办法作用欠安。因为SVM共同的机制和作用，对非线性猜测有非常好的作用，因而使用SVM技能来树立择时模型，能够有用地防止传统回归模型的精度和扩展性问题。

模型规划

使用SVM技能对股票价格进行猜测首要包含练习数据预备、练习参数输入、学习样本输入、模型练习学习、评价练习成果、练习参数优化等一系列循环的进程，（1）在数据预备阶段首要是对猜测目标的选定和已有前史数据资料的搜集，并确认股票价格影响的输入向量。

（2）练习参数输入阶段的使命首要是确认SVM模型的参数 g 和s （以RBF核函数为例）。假如是初度运转，则能够随意地预界说上述两个参数的值；但假如是重复运转屡次，这时练习参数优化的进程便开端起作用。

（3）学习样本输入阶段的使命是将学习样本进行标准化，处理公式为：

xi'=

其间，为xi重量的均匀值，s为xi重量的标准差。在完结标准化作业后，将样本集恣意地分为练习样本和测验样本，别离用于模型练习和精度查验。

（4）模型练习阶段包含：对输入的练习样本进行练习，得到模型的初始值a和b；然后使用上述算法提取出有用的、相关的数据点从头练习，得到终究的模型。

（5）练习成果评价阶段是对练习得出的模型推行（或称泛化）才能进行验证。所谓推行才能，是指经练习（学习）后的模型对未在练习会集呈现的样本（即测验样本集）做出正确反响的才能，通常用均匀平方差错（MSE）表明。

假如得出MSE成果较小，则阐明该评价模型的推行才能强，或泛化才能强，不然就阐明其推行才能较差。别的，也能够用均匀肯定百分差错（MAPE）来衡量。当然还有许多其他的衡量目标，如差错肯定值的最大值、差错肯定值的均匀值等。

择时问题本质上能够看做是一个分类问题，行将未来的走势分类为“涨”、“跌”两大类。SVM的一大优势便是处理了传统分类办法，如人工神经网络的次优圈套问题，这使得SVM成为最近10年来最受重视的数学办法。

实证事例

在本实证中，选用SVM办法，首要经过对股指期货标的沪深300指数进行猜测剖析，来对商场短期趋势进行择时判别。笔者提炼出的目标如表6-6所示，输出为未来一周是涨仍是跌，移动滑窗为每日移动。核算的进程是：