基于PSO优化的SVR模型在量化择时中的应用

• 作者: 陈一驰
• 来源期刊: 商业故事
• 关键词: 量化择时 支持向量回归 量化投资 机器学习 粒子群
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 百家论点
• 页码范围: 165-174
• 页数: 10页
• 语种: 中文
• DOI: 10.12315/j.1673-8160.2021.03.109

摘要

在金融投资领域,量化交易逐渐兴起成为投资的一大支柱,目前在西方国家较为发达,美国的量化交易比例已经超过70％,而我国不到5％,还有比较大的发展空间.量化交易大体上分为两个分支,一是量化选股,以构建优良的投资组合,二是量化择时,选择合适的时机进行买卖或者套利.支持向量机(SVM)是一种经典的机器学习算法,过去在金融领域,SVM也常被用于做预测,但在研究中没有把算法与实际交易很好地结合,从而忽略了量化交易策略的整体性与实用性.受到人类智能、生物群体社会性或自然现象规律的启发,粒子群算法(PSO)通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法,由于参数少且容易实现,并且对非线性、多峰问题均具有较强的全局搜索能力.本文从股票市场上选取了34个技术分析指标,首先进行归一化预处理消除量纲的限制,同时为了降低金融数据的相关性,以及提高模型的精度和降低模型的训练时间,再使用主成分分析(PCA)的方法提取了7个主要成分进行了适当降维.然后分别用粒子群算法和网格搜索算法对SVR进行参数寻优.本文综合了PCA,SVR,PS0等数学方法,并结合具体数据,构建了基于PS0优化的SVR量化择时策略,并在样本外的两年做回测分析,通过对模型预测能力以及回测绩效指标的综合分析,该策略不仅能够获得稳定的高额收益,同时能控制回撤的风险.本文的研究主要是将支持向量回归与量化交易策略相互结合,并进行了适当的优化和改进,对量化择时的实践有一定的参考和指导价值.