支持向量机模型（SVM）——金融数据挖掘领域中的战斗机

Posted 2021-04-26 大数据实验室

随着数据库技术的成熟和计算机应用的普及，我们身边每周所生成的新数据量正在以指数速度迅速的膨胀着。如何从如此庞大的数据库中删选、加工、挖掘其中的有用知识就将变得尤为重要。

SVM简介

传统的金融分析和理论中，所采用的决策模型往往都是建立在苛刻的假设条件下的，形式上就是一些简单的数学公式。虽然这些简洁的模型很容易理解和解释，但在精度和解释力度上就往往偏离了实际情况。金融数据挖掘技术的运用从某些意义上来讲可以突破这些限制，得到更实用更贴近现实的预测结果。

  单就股票市场而言，其中的金融规律复杂，影响因素较多。就其影响因素总体而言，影响股市的变化趋势主要包括：国家的经济趋势，股市中的资金状况，股市的市场信心。最终导致金融变量的取值可能会和很多因素有关，并且其中的相关关系可能是线形的也可能是非线性的。具体到量化模型而言，有些关系是能够用初等函数来表示，而另一些可能没有办法用数学形式来表示。

 

进一步，金融数据中所包含的规律往往 时效性非常强。随着时间的推移和环境的变化，金融序列中所蕴含的规律在不断地更迭。举例而言，在熊市中的某些规律往往到了牛市就不再起作用了，传统模型对于金融序列的动态性就束手无策了，而运用数据挖掘技术可以在不断的获得新数据后动态更新以适应新的环境。

传统的统计模式识别方法的缺点：

支持向量机作为数据挖掘领域应用于模式识别的新技术，它克服了传统的统计模式识别方法存在的以下所列举的缺点，因此其具备良好的机器识别能力。 而作为支持向量机的理论基础——统计学习理论，则是小样本统计估计和预测学习的最佳理论。它解决了传统方法存在的以上问题。

核心思想

支持向量机(Support  Vector  Machines, SVM) 是Vapnik和他的合作者于1995年在统计学习理论和结构风险最小化原则基础上提出的，它具备完备的理论基础和出色的学习能力，是借助于最优化方法解决有限样本机器学习问题的数据挖掘新方法。

 

早学早用——期货量化实战培训班（二期）

上课地点：上海

培训时间：2016年6月25--26日

区别于神经网络等传统方法以训练误差最小化作为优化目标，SVM 是以训练误差作为优化问题的约束条件，以置信范围值最小化作为优化目标，结构风险最小化原则决定了SVM在某些领域的预测能力要优于神经网络等传统学习方法。SVM利用具有特殊性质的核函数，将低维空间中的非线性分类通过内积运算转为高维空间中的线性分类。

 

就核心思想而言，支持向量机是基于 Mercer核展开定理，通过非线性映射把特征空间映射到 Hilbert 空间，在Hilbert空间中用线性学习机解决非线性分类和回归问题。

应用价值

目前支持向量机的应用领域较为广泛，已经在生物信息学，计算机识别、大气污染预报、石油勘探、工业制造等领域都取得了成功的应用。与此同时，该方法也已逐步被应用至金融领域，在金融领域同样有着很高应用价值。

 

2004年Paiand和Lin运用了SVM方法，对美国股票市场上的大盘股的走势进行了预测，其预测结果显示表明该模型有着很好的预测效果。2007年刘丽霞等运用SVM方法对纽约商品交易市场的两种石油期货价格数据进行预测，研究结果表明该方法有着较高的拟合和预测精度，而且明显优于神经网络的预测模型。国内外文献研究表明，支持向量机方法在金融市场也有很高的运用价值和运用前景。

总结

利用 SVM可以在市场下跌时有效地规避市场下跌风险。例如在07年底和08年初，SVM 提前预示了市场将大幅大跌的风险，在07年11月份采取了空仓的操作，从而有效规避了08年市场大幅下跌。另外，SVM在08年6月中和8月初也果断空仓，有效规避了两轮市场下跌。

 

在震荡市，利用SVM方法进行投资的收益基本和市场一致，但是一旦市场的出现较为明显的向下或向上时，SVM 可以较早的给予提示。例如在 10年4月16日以后，SVM账户从年初以来的持有状态变为空仓操作，有效规避了大盘的一波猛跌。

 

当采用SVM出现较为集中的失误时，值得引起我们重视，因为很可能这意味着市场的拐点已到来。

来源：量化方舟

版权声明：「大数据实验室」致力于优秀文章的交流与分享。部分文章推送时未能及时与原作者取得联系。若涉及版权问题，敬请原作者添加5424567微信联系删除。谢谢！

金融工程都要学——Matlab金融应用培训班（三期）登陆北京

Matlab在固定收益上的应用案例、Matlab在衍生品设计与定价上的运用、数据的获取、数据的预处理、数据的可视化、Matlab在期货量化投资的运用、Matlab在股票量化投资的运用、支持向量机的理论与应用

2016年6月17-19日 北京     三天4800