量化择时——SVM机器学习量化择时（第1部分—因子测算）

Posted 2023-04-03 呆萌的代Ma

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了量化择时——SVM机器学习量化择时（第1部分—因子测算）相关的知识，希望对你有一定的参考价值。

文章目录

机器学习在量化模型上的应用
- 机器学习量化应用场景
- 量化模型有效性的思考
机器学习模型在量化择时中的应用
- 训练与预测流程
- 训练数据特征构造
SVM模型与测算

最近ChatGPT比较火，NLP的同学们感触肯定会更深。NLP的应用为人所知并积极部署是一件好事，但是应用层面上的每个应用场景都是过去的领域内SOTA模型不断攻克的任务。但是可惜的是，近年来，解决单一任务在算法层面的突破明显减速，应用层面却在加速推广。

ps：目前资讯里还没有见到提到“天网”这个词，hhhhhhh，当年VR，AR啥啥都没有的时候，漫山遍野的提“天网”要来啦，不知道这次的爆点又是什么

这里我们使用一个较为简单且常用的机器学习模型SVM，对择时提供帮助，以获得超额回报

机器学习在量化模型上的应用

机器学习量化应用场景

博主总结的机器学习应用与量化策略有以下三种场景：

构造胜率大于50的量化策略，无论模型是否可解释，通过增加交易次数，使综合收益向均线附近偏移，获取预期超额回报
在一个可能获取超额回报的逻辑框架上，使用机器学习模型优化细节，使预期收益均值在模型的加持下，向更高的回报偏移
以定价模型为基础，赚取修正市场的超额收益

而每一种场景都对应了不同的量化思路，同时也对应了不同的研究人员的知识体系：

第一种适合专业度足够高的工科背景，难点在于“历史不会重演”的前提下，论证模型可以获取超额回报，且获取超额回报也是大概率事件，以高频交易为主
第二种适合有编程能力的金融人员，难点在于论证可以取得超额回报的逻辑链条
第三种适合有编程能力，且富有经验的金融人员，难点在于识别并排除市场的噪声信息，或是对定价模型的修正与优化

量化模型有效性的思考

目前的共识是：投资任务的复杂性远远超出了机器学习能够处理的范围，因此通常需要在人为的框定一个逻辑框架内，用机器学习的模型来优化。

学习到现在，看了很多量化方面的书籍与策略，博主有些思考想和大家分享一下：

其实有很多同学和博主一样是计算机大类转到金融的，所以“量化”是我们一个不错的切入点，越偏向数据分析，也越是我们的舒适圈。但是人与算法相比：
- 人的优点是：剥离噪声，总结归纳，能把书越读越少
- 机器的优点是：统计、推理，能把书越读越厚

发展了半个多世纪的计量经济学模型已经说明金融、定价这些“结果数据”，它们的信息构成是混沌且带有随机性的，因此，在出策略的时候，最好不要让机器“替代自己思考”，算法的结果最多只能给与一些启发，远达不到辅助思考的程度。同时也不要“特征多多益善”，垃圾特征就是噪声源，而机器是无法自己筛选的，所以首先要“人”是懂金融有逻辑的，然后“人”去构造算法。

除了调参外，提升机器学习模型的效果一般有两种：
- 人为构造经得起逻辑推敲的特征序列
- 不要预先按照数据分析的固有规则剔除特征

经验哈，比如博主常用的随机森林模型，在不做调参的情况下，想要只通过调整特征与数据提升效果时，首先，不要根据有偏分布什么的，把这个特征剔除。因为每一个特征都是一个视角，有的视角比较准确，但是有的视角思路清奇。但是每个视角都是有价值的，这时我们需要人为的参与，构造一些合适的视角来配合这些特征，对特征做再次的加工。越是没有重要性的特征，越是灵感的来源，提升的空间也越大！而预先剔除掉就亏大了。

专业知识的不同会让我们看待世界的视角也不一样，正所谓“凡有所学，皆成性格”。金融专业的同学会把“风险管理”放在首要位置，同时对“幸存者偏差”事件有着近乎本能的辨识度，非常厉害！但据我观察很多量化策略为了追求“理论的均值”，会唯数据论，放纵模型发挥，这一点需要格外注意。

这篇博客只使用SVM模型测算，更多机器学习模型请参考：https://blog.csdn.net/weixin_35757704/article/details/89280669

机器学习模型在量化择时中的应用

训练与预测流程

使用机器学习通常有以下几个步骤：

数据清洗
切分训练集、测试集
使用训练集，交叉验证模型的稳定性
测试集判断模型的有效性
应用模型测算、回测

因此我们将时间切分成以下两个部分：

训练、测试数据时间：2015-01-01到2020-01-01
应用模型测算、回测时间：2020-01-01到2023-01-01

训练数据特征构造

这里我们构造的特征简单一些，以方便大家复现：

过去5日换手率均值
过去10日换手率均值
过去5日涨跌幅
过去10日涨跌幅
MACD指标DIF值
MACD指标DEA值
MACD值
阿隆指标（一种动量指标）DOWN值
阿隆指标UP值

SVM模型与测算

SVM训练与预测

通常，拿到数据后，以最终收益为目标的模型，主要有以下几种训练目标：

直接预测未来一段时间的收益率
预测未来一段时间的收益所处的区间

机器学习模型由于性能有限，通常以收益率为最终目标时，会选择“预测未来一段时间的收益所处的区间”

因此我们按照以下规则进行训练、预测：

70%的数据做训练集，30%的数据做测试集
将【未来5日涨跌幅】作为预测目标，同时将数据分箱，分为：
- 收益率区间：[负无穷，-1]
- 收益率区间：[-1，1]
- 收益率区间：[1，正无穷]
训练集中，做10次交叉验证
测试集计算混淆矩阵，并可视化

上面的“交叉验证”是为了判断过拟合与欠拟合的问题的，很多文章容易把效果差的锅甩给“过拟合”，但明显是有问题的。关于过拟合与欠拟合请参考：https://blog.csdn.net/weixin_35757704/article/details/123931046

效果测算

测算的流程如下：

收集每一个非ST的股票在2015-01-01到2020-01-01的时间
然后根据个股的股价走势，构造成上面9个特征
按照70%的数据做训练集，30%的数据做测试集
对训练集做10份交叉验证

按照如上规则进行训练与预测，得到如下模型结果：

按照上述测算流程进行测算，在测试集上的准确率为 0.4751
归一化后的混淆矩阵如下：
使用10份交叉验证的结果如下：

准确率效果	0.492502	0.488092	0.478529	0.473529	0.485882	0.477647	0.477059	0.484118	0.480882	0.486176

在实际使用时，我们会根据模型的逻辑效果来判断：如果模型预测为正收益，则买入；如果预测为负收益，则卖出；

效果分析

交叉验证的效果与测试集的预测效果差不多，说明SVM模型表现较为稳定
SVM将0,1,2等类别几乎无差别的预测为了类别1，抛开本身类别为1的，单单计算0与2的准确率只有10%

这个效果算中规中矩，因为没有优化、调整、或者主观构造特征，裸模型的效果也就差不多这个效果…

Matlab量化投资支持向量机择时策略

推出【Matlab量化投资系列】

机器学习

所谓机器学习，其实就是根据样本数据寻找规律，然后再利用这些规律来预测未来的数据（结果）。

但是，直到今天，机器学习也没有一种被大家广泛认同的理论框架产生，这个也是机器学习被大家诟病的原因之一：它是没有理论基础的。

目前机器学习的方法大概可以分为以下几种：

1、经典的参数统计估计方法：基于传统统计学，需要已知的样本分布形式，局限性比较大。

2、经验非线性方法：利用已知样本建立非线性模型（如人工神经网络），克服了传统参数估计方法的困难，但缺乏统一的数学理论。

3、统计学习理论（SLT）：专门研究小样本情况下机器学习规律的理论，核心概念是VC维概念，解决了神经网络结构选择、局部极小点等问题。支持向量机（SVM）就是基于这一理论产生的。

SVM支持向量机择时策略

支持向量机

支持向量机是用来解决分类问题的。

先考虑最简单的情况，豌豆和米粒，用晒子很快可以分开，小颗粒漏下去，大颗粒保留。用一个函数来表示就是当直径d大于某个值D，就判定为豌豆，小于某个值就是米粒。

d>D, 豌豆；d<D, 米粒

在数轴上表现为d左边就是米粒，右边就是绿豆，这是一维的情况。

但是实际问题没这么简单，考虑的问题不单单是尺寸。

一个花的两个品种，怎么分类？

假设决定他们分类的有两个属性，花瓣尺寸和颜色。单独用一个属性来分类，像刚才分米粒那样，就不行了。这个时候我们设置两个值：尺寸x和颜色y。

我们把所有的数据都丢到x-y平面上作为点，按道理如果只有这两个属性决定了两个品种，数据肯定会按两类聚集在这个二维平面上。

我们只要找到一条直线，把这两类划分开来，分类就很容易了，以后遇到一个数据，就丢进这个平面，看在直线的哪一边，就是哪一类。

例如：x+y-2=0这条直线，我们把数据(x,y)代入，只要认为x+y-2>0的就是A类，x+y-2<0的就是B类。

以此类推，还有三维的，四维的，N维的属性的分类，这样构造的也许就不是直线，而是平面，超平面。

例如：一个三维的函数分类：x+y+z-2=0，这就是个分类的平面了。

有时候，分类的那条线不一定是直线，还有可能是曲线，我们通过某些函数来转换，就可以转化成刚才的那种多维的分类问题，这个就是核函数的思想。

例如：分类的函数是个圆形x^2+y^2-4=0。这个时候令x^2=a; y^2=b,还不就变成了a+b-4=0 这种直线问题了。

这就是支持向量机的思想。

机的意思就是算法，机器学习领域里面常常用“机”这个字表示算法。

支持向量意思就是数据集种的某些点，位置比较特殊，比如刚才提到的x+y-2=0这条直线，直线上面区域x+y-2>0的全是A类，下面的x+y-2<0的全是B类，我们找这条直线的时候，一般就看聚集在一起的两类数据，他们各自的最边缘位置的点，也就是最靠近划分直线的那几个点，而其他点对这条直线的最终位置的确定起不了作用，所以我姑且叫这些点叫“支持点”（意思就是有用的点），但是在数学上，没这种说法，数学里的点，又可以叫向量，比如二维点(x,y)就是二维向量，三维度的就是三维向量（x,y,z)。所以 “支持点”改叫“支持向量”，听起来比较专业，NB。

所以就是”支持向量机了。

当然了，SVM的实际理论要复杂的多，如果大家有兴趣，就自行去搜索一下参考资料来看啦，由于篇幅关系，这边就不赘述了。