Adaboost-SVM多因子選股模型
2019-06-25 02:04:07王倫
經(jīng)濟研究導(dǎo)刊 2019年10期
王倫
摘 要：近年來，機器學(xué)習(xí)技術(shù)在完善傳統(tǒng)金融投資模型中的應(yīng)用受到了學(xué)術(shù)界和金融界的廣泛關(guān)注。以滬深300股票為研究對象，利用Adaboost提高原線性支持向量機的分類能力，結(jié)合所有主要因素構(gòu)建基于Adaboost增強的Adaboost-SVM多因子選股模型。在回測分析中，將原始線性支持向量機的選股策略與基于Adaboost增強的Adaboost-SVM多因子選股策略進行了比較。結(jié)果表明，基于Adaboost增強的Adaboost-SVM多因子選股策略比原始算法模式具有更強的盈利能力和更小的收入波動。
關(guān)鍵詞：多因子選股;Adaboost;SVM
中圖分類號：F830.91? ? ? ? 文獻標志碼：A? ? ? 文章編號：1673-291X（2019）10-0107-02
一、理論模型
1.支持向量機。SVM算法是根據(jù)訓(xùn)練樣本找到最優(yōu)超平面的過程。在二維坐標點的情況下，SVM算法是找到一條直線來分離兩種類型的坐標點。然而在這些無數(shù)條線中，如果它們太靠近坐標點，噪聲干擾將對分類結(jié)果產(chǎn)生很大影響。因此，我們可以定義SVM算法是找到離訓(xùn)練樣本最遠的線，也稱為最佳直線。消除優(yōu)化過程的推導(dǎo)，產(chǎn)生的優(yōu)化問題是：
2.Adaboost模型。Adaboost是一種迭代算法，其核心思想是在同一訓(xùn)練集的目標下訓(xùn)練不同的弱分類器，特別是對難以準確分類的數(shù)據(jù)進行重復(fù)訓(xùn)練，然后收集所有弱分類器以形成更強強分類。Adaboost算法本身是通過改變數(shù)據(jù)的布局來實現(xiàn)的，它通過樣本的分類在訓(xùn)練集中是否正確以及通過上次總分類準確率，這使得難以分類的數(shù)據(jù)得到了培訓(xùn)。發(fā)送帶有修正權(quán)重的新數(shù)據(jù)集，由Bottom，classifiers訓(xùn)練，最后將從每次訓(xùn)練中獲得的分類器聚合為最終決策分析器。
3.基于Adaboost的增強型Adaboost-SVM選股模型。首先調(diào)用12個月的股票數(shù)據(jù)，設(shè)定權(quán)重D1（1），N作為樣本的數(shù)量，選取的數(shù)據(jù)為每月第一天的收盤價，然后得到SVM分類器。接下來，最終的Adaboost-SVM算法可表示為：
二、實證分析
1.基于SVM原始選股策略模型的測試。在不考慮非線性分析的情況下，從Adaboost算法、傳統(tǒng)回歸方法、SVM算法中得出長短投資組合凈值的對比（見圖1），可以看到，SVM算法的最終凈值最高，而其波動度低于傳統(tǒng)的回歸方法。
2.基于增強Adaboost的Adaboost-SVM選股模型測試（如圖2所示）。
與上述傳統(tǒng)的SVM算法相比，基于Adaboost的增強型Adaboost-SVM算法分類模型的長短策略的利潤凈值顯著增加，這意味著它整體上優(yōu)于傳統(tǒng)的SVM模型。
三、總結(jié)
本文對多因素選股策略進行了新的嘗試——基于增強Adaboost的Adaboost-SVM算法分類，每個因素的每個因素都具有特征，具有68個因子的維度，Adaboost-SVM算法可以有效地對投資組合的標簽進行分類和預(yù)測。與線性支持向量算法的主動組合凈值相比，Adaboost-SVM算法產(chǎn)生更高的凈值利潤。對于模型的進一步方向，純SVM算法對二元分類問題有更好的效果，盡管從實踐的角度來看，對于多個或連續(xù)的分類變量，它沒有達到更好的回測結(jié)果，但是，Adaboost算法的思想也適用于多變量或連續(xù)變量問題。因此，Adaboost-SVM算法的組合值得進一步研究和測試多變量問題。
參考文獻：
[1]? Huang Qin.Research on the application of support vector machines in China a-share market quantitative strategy based on fama-fench three-factor model[J].Times Finance，2017，（11）：172-173.
[2]? Dong Zhi-qiang，Liu Yong-nian&Wei Li-hua.Fault detection of automatic car equipment based on AdaBoost and SVM combination[J].Electronics World，2018，（2）：17-19.
