机器学习量化应用：用回归策略预测价格

我们已经知道，监督学习主要就是分类和回归两种方法。本文以支持向量机（support vector machine，SVM）来说明，如何采取机器学习中回归方法来预测股票价格。这在传统量化中是根本不可能实现的，在机器学习领域却能达到50%以上的胜率。

1、支持向量机

支持向量机
支持向量机是一种监督学习算法，可用于分类和回归问题，如支持分类的 SVC和支持回归的SVR。这是20世纪90年代被开发出来的，直到现在，都是高性能算法的首选，在机器学习领域有极为广泛的应用。

核心思想
算法的核心思想是寻找最能将特征分离到不同域的超平面。它的理论根据就是，任何一个P维物体（空间）都可以被一个P-1 维的超平面分成两部分，就像我们可以用刀（二维平面）将西瓜（三维物体）分成两半。

术语概念
直接看图吧，我们要图中将红蓝点分开，应该怎么办吧呢。

决策边界
如图所示，红点和蓝点分别代表两类样本，二维空间中的超平面就是图中的黑色直线。如果一条直线可以让两类样本中的点到这条直线的最短距离取最大值，一般认为这条直线就是最稳定的分界线，在机器学习中我们称之为“决策边界”；
支持向量：而决定这条直线的点往往是由少数几个支撑点决定的，这些点称为支持向量。就是如下图中红线和蓝线穿过的点。而支持向量与决策边界之间的距离就叫做边距。

sklearn中如何使用
这里我们使用的是SVR，直接从sklearn中引用SVR模块就可以了

from sklearn import svm
sk_model =svm.SVR(kernel='linear')

这里只有一个关键参数，就是核（kernel）

• 线性核
• 多项式核
• 高斯核

算法预测的原理
1）如果用机器学习的语言表述，我们根据已知的“特征”x1 和“标签”y ，通过“训练”得到一个反映两者线性关系的模型。
2）如果这种关系在未来一段时间内能够延续，那么任意给出一个股票当前时刻的特征因子x1，我们就可以“预测”该股票未来时刻的价格 ?̂ = ?0 +?1?1。
3）根据已有的特征和标签训练模型，使用新的特征进行预测，两者构成了监督学习最核心的两个环节。</