人工智能选股之支持向量机模型
人工智能选股之支持向量机模型本报告对各种核支持向量机模型以及支持向量回归进行系统测试
支持向量机（SVM）是应用最广泛的机器学习方法之一。线性支持向量机
能够解决线性分类问题，核支持向量机则主要针对非线性分类问题，支持
向量回归能够处理回归问题。本篇报告我们将对包括线性核、多项式核、
高斯核和 Sigmoid 核在内的各种核函数支持向量机以及支持向量回归进行
系统性的测试，并分析它们应用于多因子选股的异同，希望对本领域的投
资者产生有实用意义的参考价值。
支持向量机模型的构建：样本内训练与交叉验证、样本外测试
支持向量机模型的构建包括特征和标签提取、特征预处理、样本内训练、
交叉验证和样本外测试等步骤。最终在每个月底可以产生对全部个股下期
上涨概率的预测值，然后根据正确率、AUC 等指标以及策略回测结果对模
型进行评价。我们还根据模型的预测结果构建了沪深 300 成份内选股、中
证 500 成份内选股和全 A 选股策略，通过年化收益率、信息比率、最大回
撤等指标综合评价策略效果。
高斯核支持向量机选股模型收益和信息比率的表现优于线性回归
对于沪深 300 成份股内选股的行业中性策略（每个行业选 6 只个股），高
斯核 SVM 模型的超额收益为 4.9%，信息比率为 1.22。对于中证 500 成份
股内选股的行业中性策略，高斯核 SVM 模型的超额收益为 9.0%，信息比
率为 2.37。对于全 A 选股的行业中性策略，高斯核 SVM 模型相对于中证
500 的超额收益为 21.1%，信息比率为 3.66。总体而言，高斯核 SVM 在
收益和信息比率方面表现不错，各种策略构建方式下都能稳定地优于线性
回归模型；最大回撤方面 SVM 模型相比于线性回归不具备明显优势。
高斯核支持向量机模型预测能力整体强于其它核支持向量机
我们比较了不同核支持向量机的预测能力，发现高斯核 SVM 的测试集正确
率、AUC 和回测表现普遍优于其它核函数。高斯核作为使用最为广泛的核
函数，其优势在于不对原始数据做太多的先验假设。我们的回测结果也印
证了这一点，通过交叉验证集调参，最终得到高斯核 SVM 全 A 选股模型
的测试集正确率为 56.25%，高于线性核（55.66%）、3 阶多项式核
（53.75%）、7 阶多项式核（50.03%）和 Sigmoid 核（55.66%）。我们同
时发现支持向量机的回测表现优于支持向量回归。
风险提示：通过支持向量机模型构建选股策略是历史经验的总结，存在失
效的可能。
页:
[1]