原標題：【Matlab量化投資】支持向量機擇時策略

感謝國泰安與本公眾號合作

推出【Matlab量化投資系列】

機器學習

所謂機器學習，其實就是根據樣本數據尋找規律，然后再利用這些規律來預測未來的數據(結果)。

但是，直到今天，機器學習也沒有一種被大家廣泛認同的理論框架產生，這個也是機器學習被大家詬病的原因之一：它是沒有理論基礎的。

目前機器學習的方法大概可以分為以下幾種：

1、經典的參數統計估計方法：基于傳統統計學，需要已知的樣本分布形式，局限性比較大。

2、經驗非線性方法：利用已知樣本建立非線性模型(如人工神經網絡)，克服了傳統參數估計方法的困難，但缺乏統一的數學理論。

3、統計學習理論(SLT)：專門研究小樣本情況下機器學習規律的理論，核心概念是VC維概念，解決了神經網絡結構選擇、局部極小點等問題。支持向量機(SVM)就是基于這一理論產生的。

SVM支持向量機擇時策略

支持向量機

支持向量機是用來解決分類問題的。

先考慮最簡單的情況，豌豆和米粒，用曬子很快可以分開，小顆粒漏下去，大顆粒保留。用一個函數來表示就是當直徑d大于某個值D，就判定為豌豆，小于某個值就是米粒。

d>D, 豌豆；d

在數軸上表現為d左邊就是米粒，右邊就是綠豆，這是一維的情況。

但是實際問題沒這么簡單，考慮的問題不單單是尺寸。

一個花的兩個品種，怎么分類？

假設決定他們分類的有兩個屬性，花瓣尺寸和顏色。單獨用一個屬性來分類，像剛才分米粒那樣，就不行了。這個時候我們設置兩個值：尺寸x和顏色y。

我們把所有的數據都丟到x-y平面上作為點，按道理如果只有這兩個屬性決定了兩個品種，數據肯定會按兩類聚集在這個二維平面上。

我們只要找到一條直線，把這兩類劃分開來，分類就很容易了，以后遇到一個數據，就丟進這個平面，看在直線的哪一邊，就是哪一類。

例如：x+y-2=0這條直線，我們把數據(x,y)代入，只要認為x+y-2>0的就是A類，x+y-2<0的就是B類。

以此類推，還有三維的，四維的，N維的屬性的分類，這樣構造的也許就不是直線，而是平面，超平面。

例如：一個三維的函數分類 ：x+y+z-2=0，這就是個分類的平面了。

有時候，分類的那條線不一定是直線，還有可能是曲線，我們通過某些函數來轉換，就可以轉化成剛才的那種多維的分類問題，這個就是核函數的思想。

例如：分類的函數是個圓形x^2+y^2-4=0。這個時候令x^2=a; y^2=b,還不就變成了a+b-4=0 這種直線問題了。

這就是支持向量機的思想。

機的意思就是算法，機器學習領域里面常常用“機”這個字表示算法。

支持向量意思就是數據集種的某些點，位置比較特殊，比如剛才提到的x+y-2=0這條直線，直線上面區域x+y-2>0的全是A類，下面的x+y-2<0的全是B類，我們找這條直線的時候，一般就看聚集在一起的兩類數據，他們各自的最邊緣位置的點，也就是最靠近劃分直線的那幾個點，而其他點對這條直線的最終位置的確定起不了作用，所以我姑且叫這些點叫“支持點”(意思就是有用的點)，但是在數學上，沒這種說法，數學里的點，又可以叫向量，比如二維點(x,y)就是二維向量，三維度的就是三維向量(x,y,z)。所以 “支持點”改叫“支持向量”，聽起來比較專業，NB。

所以就是”支持向量機了。

當然了，SVM的實際理論要復雜的多，如果大家有興趣，就自行去搜索一下參考資料來看啦，由于篇幅關系，這邊就不贅述了。

核函數分類

目前應用最多的四類核函數分別為：線性核函數、多項式核函數、高斯核函數和Sigmoid核函數。

選擇不同的核函數和參數，SVM的性能會有很大的差異，因此核函數及其參數的選擇是SVM理論和應用研究中的一個重要課題。

SVM看上去是比較復雜，但是在實際應用當中還是比較簡單的，因為Matlab本身就已經提供了SVM的工具箱(函數)，我們直接調用就可以了，當然，大家也可以自行去安裝一些其他SVM的工具箱來實現。

那下面我們就開始編寫策略啦~

小編所使用的數據、策略回測、交易等等都是來自于國泰安量化終端Quantrader。而小編使用的策略編寫語言是Matlab，實現策略不要太簡單。

策略簡介

訂閱中證800指數和相應的成分股，使用了日頻最高價、最低價、收益率、成交金額、營業收入增長率和次日停牌因子等數據。

策略流程圖如下：

策略參數配置

根據之前提到的訂閱的交易代碼和數據，使用Quantrader可以直接配置如下：

策略主程序

數據準備好了之后，我們就可以開始碼代碼啦。

1、訓練分類器：

2、預測：

3、交易下單：

策略回測

策略寫完了當然要用歷史數據回測看看績效。同樣的，使用Quantrader，完成回測。

從過去3年半的績效來看，這個策略年化收益約50%左右，夏普達到了2。

完整版源代碼請點擊閱讀原文

關注者

從1到10000+

每天我們都在進步

閱讀量前10文章

No.01

No.02

No.03

No.04

No.05

No.06

No.07

No.08

No.09

No.10

聽說，置頂關注我們的人都不一般返回搜狐，查看更多

責任編輯：

總結

以上是生活随笔為你收集整理的quantrader和matlab不匹配,【Matlab量化投资】支持向量机择时策略的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。