SVM是一个统计学习算法,主要是利用结构风险最小化原理对数据分类。该算法可以利用核函数将不可分数据映射到高维空间中,解决VC维问题。目前,基于SVM的研究数不胜数,改进的SVM算法有FSVM、TWSVM和FTWSVM等算法。这些算法在原始SVM算法的基础上,不仅提高了对数据预测的正确率,而且加快了计算效率。本文主要针对TWSVM算法进行改进,并将改进的算法应用到量化投资中。首先,为了探究TWSVM在量化投资方面的适用性,本文先利用随机分类数据对TWSVM分类模型中的不同核函数进行评估,验证了基于ploy核和linear核的TWSVM分类模型在高维和含噪声的数据中具有稳定的预测正确率。再利用ploy核函数建立一个基于TWSVM的股票预测模型,并根据预测结果设计投资方案。将模拟交易的结果与SVM、Logistics、RF等分类模型作对比,实验结果基于TWSVM的量化投资模型所获得的累计收益最高,验证TWSVM分类模型在高维和含噪声的股票数据上具有优良的预测性能。其次,为了提高TWSVM分类模型预测的正确率,参照已有成果对TWSVM模型进行了改进。一方面,为降低噪声数据对模型的影响,在TWSVM的两个凸优化问题中引入了模糊隶属函数。另一方面,秉承结构风险最小化原理,在TWSVM分类模型中加入了L1范数,最终提出了L1FTWSVM分类模型。然后,为了检验L1FTWSVM分类模型的有效性,本文从人造二维数据和UCI数据两个方面分别做了实验。在人造数据中,L1FTWSVM分类模型分类的正确率高于SVM、TWSVM和L1LTSVM分类模型。在UCI数据中,L1FTWSVM分类模型是在UCI数据分类正确率最高的模型中占比最大的模型。以上实验证明L1FTWSVM分类模型在TWSVM分类模型的基础上提高了预测能力。最后,为了探究L1FTWSVM在量化投资方面的适用性,本文建立了基于L1FTWSVM的量化投资模型。实验结果表明基于L1FTWSVM的量化投资策略获得的累计收益率达到了32.9%,比RF的年华收益率高出5.36%,证明了L1FTWSVM分类模型不仅继承了TWSVM模型对股票数据预测的适用性,而且在样本数据大量减少的情况下,L1FTWSVM分类模型仍然具有较好的预测能力。比较L1FTWSVM分类模型与SVM、TWSVM、L1LTSVM等模型及trees、GBDT、RF等模型在股市中的具体表现,策略风险评价指标说明L1FTWSVM分类模型在量化投资应用中具有很好的指导作用。