【点宽专栏】SVM带你玩转期货品种

策略概要

SVM支持向量机

SVM学习问题可以表示为凸优化问题，因此可以利用已知的有效算法发现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）都采用一种基于贪心学习的策略来搜索假设空间，这种方法一般只能获得局部最优解。

SVM支持向量机量化交易策略

根据MATLAB提供的机器学习SVM支持向量机系列工具包，根据预测标签0和1设计交易信号：信号为0表示做空；信号为1表示做多。在商品期货上，该SVM策略表现一般，在金融期货上，该策略表现各异。其中，在沪深股指上表现最好，年化收益率达24.65%，胜率达54.98%。

策略优化

仅仅使用SVM进行趋势预测得到的胜率或者收益都不是很理想，我们需要增加信号过滤条件来优化该策略，最简单的是增加双均线策略：当5日均线大于30日均线时，过滤做多信号；当5日均线小于30日均线时，过滤做空信号。对策略进行优化之后，策略回测表现有一定提高。其中，策略优化后在沪深股指上表现有：年化收益率为27.76%，胜率高达60%

策略研究

Logistic回归：一种广义线性回归模型

1.1 概念

logistic回归又称logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。例如，探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。

假设函数为：

其中x是n维特征向量，函数g就是logistic函数。则函数图像如下：

从而，当我们要判断一个新来的特征属于哪个类时，只需求h_θ (x)即可，若大于0.5，就是y=1的类，反之，属于y=0的类。

1.2 线性分类的一个例子

如下图：