设为首页收藏本站

宽客俱乐部——量化投资与对冲基金交流平台

 找回密码
 立即注册

QQ登录

只需一步,快速开始

搜索
【宽客网络课堂】石破天惊之作:可量化的期货基本面策略人大量化对冲高级研修班(七期)
查看: 2522|回复: 1

量化投资之思路整理、支持向量机

[复制链接]
发表于 2017-5-25 10:12:53 | 显示全部楼层 |阅读模式

马上注册,结交更多好友,享用更多功能,让你轻松玩转社区。

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
首先,发一则广告,不过全部都是干货。量化交易软件和所有数据都可以试用:公司目前主要提供程序化交易平台和数据资讯服务,包括量化交易终端和实时行情,高频历史数据,财经库等,为您提供各种金融数据解决方案。还有定制化服务,如果大家有这方面的需求可以和我联系,无论是量化交易终端还是数据库,都可以试用。期待您的来电,联系电话15001016153,祝您工作顺心,投资顺利,合家欢乐!
机器学习方法是计算机科学的一个分支,它借助于计算机算法,对数据进行分析后,实现模式识别,进而实现对未来数据的预测。
机器学习方法可以分为以下几个类别:
1.监督学习:
训练的输出分类是预先设定好的,根据输入和输出,算法的目标在于寻找其中的对应函数。
2.无监督学习:
训练的输出分类是预先不知道的。算法的目标在于发现数据中的结构,如聚类分析。
3.半监督学习:
介于监督学习和无监督学习之间。
4.增强学习:
算法通过执行一系列的动作,影响环境中的可观察变量,从而得到环境对动作反应的规律。最后根据这个规律,判断该采取何种行动以最大化
某种回报。
支持向量机
是监督学习中一种常用的学习方法。
支持向量机( Support Vector Machines SVM )是一种比较好的实现了结构风险最小化思想的方法。它的机器学习策略是结构风险最小化原则 为了最小化期望风险,应同时最小化经验风险和置信范围)。具体就不详细介绍了,百度有很多资料。
http://scikit-learn.org/stable/modules/svm.html#svm 中是SVM函数和简单介绍。
from sklearn.svm import SVR 可以构造支持向量回归(Support Vector Regression)模型
from sklearn.svm import SVC 可以用于分类(Support Vector Classification)
首先来看支持向量回归(Support Vector Regression)模型如何使用,下面是官网的一个简单例子。
http://scikit-learn.org/stable/auto_examples/svm/plot_svm_regression.html#example-svm-plot-svm-regression-py
下面这是利用官网例子的方法对股票数据进行回归建模,具体代码在研究中
从回归的角度,我们可以根据之前的历史数据,预测下一个时间点的股价;分类的角度,我们可以根据历史数据,预测下一个时间点股价的正负。
那么如何在策略中使用呢?一个暴力的方法就是预测未来股价,如果涨了就买入,跌了就卖出。使用SVR进行回归预测,需要预测中未来股价,那么学习这种非平稳、噪声的股价序列难度是很大的。
下面是个人想法,作为引子,欢迎大家一起讨论
特征选择
查阅文献发现有各种因子应用到其中,
基本面因子:PE,PB,ROE等
技术指标因子:RSI、KDJ、MA、MACD等
蜡烛图形态因子:三乌鸦、锤子线等
输出
股价
股价涨跌分类
未来一段时间收益率
还有一类用法是利用非监督学习甚至深度学习找到特征
比如找到大涨的股票,然后看大涨前一段时间的形态有没有相似的,利用非监督学习的方法。这是下面我想进行的第一步研究。
套利是看股价的相关性,比如A和B两个标的价差一向稳定在10块钱,某天价差突然跌到5块钱,统计套利就假设,这个价差会恢复到10块钱,可以就此设计交易策略。如果股价价差真的恢复了,那么就可以实现套利。但是显然,这样的关系可能不是那么明显地存在于股票的价格中,可能存在于收益曲线中或者方差曲线中,甚至更高复杂度的统计量中。深度学习提供了将原数据投影到另一个特征空间中的方法,而且是高度非线性的。那么,原数据中没有体现出来的相关性,会不会在这种高度非线性的投影空间中体现出来呢?

回复

使用道具 举报

发表于 2017-7-8 08:51:43 | 显示全部楼层
无论是不是沙发都得回复下
回复 支持 反对

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

手机版|量化投资|对冲套利|高频|互联网接口|资产管理|宽客俱乐部 ( 沪ICP备16036585号   点击交谈

关注

GMT+8, 2017-10-24 04:51 , Processed in 0.161098 second(s), 28 queries .

Powered by Discuz! X3.2

© 2001-2013 Comsenz Inc.

快速回复 返回顶部 返回列表