点宽专栏SVM助你掌握核心分析工具期货品种

策略概要

SVM支持向量机

SVM的学习问题可被表述为凸优化问题，因此能够借助现有的有效算法来确定目标函数的全局最小值。而其他分类方法（如基于规则的分类器和人工神经网络）则通常采用贪心学习策略来搜索假设空间，此类方法一般仅能得到局部最优解。

SVM支持向量机量化交易策略

依据MATLAB所提供的机器学习SVM支持向量机工具包，根据预测标签0与1设定交易信号：当信号为0时代表做空；当信号为1时代表做多。在商品期货市场中，该SVM策略的表现较为普通；而在金融期货市场中，其表现则存在差异。其中，在沪深股指上的表现最为突出，年化收益率达到24.65%，胜率则为54.98%。

策略优化

单纯依靠SVM进行趋势预测所获得的胜率或收益并不理想，因此需要引入额外的信号过滤条件以提升策略效果。最简单的方式是引入双均线策略：当5日均线高于30日均线时，过滤掉做多信号；而当5日均线低于30日均线时，则过滤掉做空信号。经过这样的优化后，该策略的回测表现有所改善。其中，在沪深股指上的表现如下：年化收益率上升至27.76%，胜率也提高至60%。

策略研究

Logistic回归：一种广义线性回归模型