论文部分内容阅读
金融领域,如何依靠人工智能技术在大量的交易信息里提炼出可利用的数据,并根据提取出来的信息构建有效的交易策略,进而给投资者的决策行为提供依据是目前备受关注的问题。机器学习就是通过样本集进行训练,从而得到预测模型,再根据模型对样本外数据进行预测。机器学习技术之所以能够被广泛地应用于量化交易领域,是因为其模型预测准确度与泛化性能都较优,可以应用于样本外数据。本文工作的出发点就是研究如何更好地将机器学习的方法与量化投资结合起来。
本文首先确定择时策略的设计流程,然后从投资期限、标签设置、投资对象、特征组构建、买卖时点这五个方面对量化择时策略进行具体构建。从以往相关研究中总结出常用特征指标,并在此基础上扩充更多能从各量化平台直接获取或能够通过计算得出的技术指标,以及一些在传统交易方式中比较有效,但由于难以定义因此很少使用的形态类指标,其中包括:如大阴线、大阳线等反映市场的信号类指标;有助于判断市场趋势的多头排列与空头排列指标;还有象征突破类的指标等等。通过对比分析实验可以发现,增加形态特征的特征组训练出的模型准确率为56.33%,明显高于常用特征组47.12%的准确率,而增加技术类指标后模型准确率又进一步增加。
在确定策略总体思路的基础上,本文对模型设置的细节问题进行了具体确定,主要包括支持向量机的多分类算法确定、核函数确定与对比、特征选取方法的选择与比较、不平衡数据的处理、参数优化、滚动时间窗口。本文在已有研究基础上针对不同期货品种价格特点,将根据涨跌幅设置标签的标准进行调整,在整体预测能力达到67.2%情况下,各个类别的预测能力分布都较为均衡。
经过研究,本文构建了基于支持向量机的量化择时策略;运用黄金期货、螺纹钢期货与三大股指期货的数据进行训练与测试。通过模型预测能力分析和策略回测分析可以判断,本文所构建的量化交易策略是有效的。同时,通过不同分类器效果对比得出,支持向量机在稳定性与准确率上要优于其他分类器。本论文的研究对于择时策略的特征选取,对于将SVM算法应用于投资决策,对于量化交易实践具有一定的指导和参考意义。
本文首先确定择时策略的设计流程,然后从投资期限、标签设置、投资对象、特征组构建、买卖时点这五个方面对量化择时策略进行具体构建。从以往相关研究中总结出常用特征指标,并在此基础上扩充更多能从各量化平台直接获取或能够通过计算得出的技术指标,以及一些在传统交易方式中比较有效,但由于难以定义因此很少使用的形态类指标,其中包括:如大阴线、大阳线等反映市场的信号类指标;有助于判断市场趋势的多头排列与空头排列指标;还有象征突破类的指标等等。通过对比分析实验可以发现,增加形态特征的特征组训练出的模型准确率为56.33%,明显高于常用特征组47.12%的准确率,而增加技术类指标后模型准确率又进一步增加。
在确定策略总体思路的基础上,本文对模型设置的细节问题进行了具体确定,主要包括支持向量机的多分类算法确定、核函数确定与对比、特征选取方法的选择与比较、不平衡数据的处理、参数优化、滚动时间窗口。本文在已有研究基础上针对不同期货品种价格特点,将根据涨跌幅设置标签的标准进行调整,在整体预测能力达到67.2%情况下,各个类别的预测能力分布都较为均衡。
经过研究,本文构建了基于支持向量机的量化择时策略;运用黄金期货、螺纹钢期货与三大股指期货的数据进行训练与测试。通过模型预测能力分析和策略回测分析可以判断,本文所构建的量化交易策略是有效的。同时,通过不同分类器效果对比得出,支持向量机在稳定性与准确率上要优于其他分类器。本论文的研究对于择时策略的特征选取,对于将SVM算法应用于投资决策,对于量化交易实践具有一定的指导和参考意义。