拓端tecdat|R语言量化交易RSI策略：使用支持向量机SVM

最近我们被客户要求撰写关于量化交易的研究报告，包括一些图形和统计输出。

机器学习算法可用于找到最佳值来交易您的指标。

【视频】支持向量机SVM、支持向量回归SVR和R语言网格搜索超参数优化实例

支持向量机SVM、支持向量回归SVR和R语言网格搜索超参数优化实例

，时长07:24

相对强弱指标（RSI）是最常见的技术指标之一。它用于识别超卖和超买情况。传统上，交易者希望RSI值超过70代表超买市场状况，而低于30则代表超卖市场状况。但是，这些主张是否有效？为什么70，为什么30？此外，不同的趋势市场如何影响RSI信号？

在本文中，我们将使用一种功能强大的机器学习算法-支持向量机（SVM），在考虑到市场整体趋势的同时，探索您实际需要的RSI值。

首先，我们将简要概述SVM，然后根据算法发现的模式来构建和测试策略。

支持向量机

支持向量机基于其发现非线性模式的能力，是较流行且功能强大的机器学习算法之一。SVM通过找到一条称为“决策边界”或“超平面”的线来工作，该线可以根据类别（在我们的情况下为“看涨”或“看跌”）最好地分离数据。SVM的强大功能是可以使用一组称为“核”的数学函数将数据重新排列或映射到多维特征空间，在该空间中数据可以线性分离。

然后，SVM在较高维度的空间中绘制一条线，以最大化两个类之间的距离。将新的数据点提供给SVM后，它会计算该点落在线的哪一边并进行预测。

SVM的另一个优点是，在可以使用它之前，必须选择的参数相对较少。首先，您必须选择用于将数据转换到更高维度空间的核或映射功能。径向基函数是一种流行的选择。接下来，您需要选择gamma参数。gamma确定单个训练示例可以对决策边界产生多少影响。较低的值表示单个点将对画线的位置产生较大的影响，而较高的值表示每个点将仅对较小的影响。将gamma参数选择为模型输入数量（1 /（输入数量））是一个经验法则。最后，您需要选择正则化参数C。C确定了训练集中分类错误的示例与决策边界的简单性之间的权衡。低C会创建更平滑的决策边界并减少过度拟合，而高C会尝试正确分类训练集中的每个数据点，并可能导致过度拟合。我们希望减少模型的过拟合量，因此我们将选择一个值1。

现在，我们对支持向量机的工作原理以及如何选择其参数有了基本的了解，让我们看看是否可以使用它来计算如何交易RSI。

交易RSI

相对强弱指标（RSI）将“上涨”移动的平均大小与“下跌”移动的平均大小进行比较，并将其归一化为0到100。传统的逻辑是，一旦股价有更多的，显着的上升趋势，它已经变得超买或被高估，并且价格可能会下降。超买通常由RSI值超过70来确定，相反的情况表示RSI值为30时出现超卖或低估。

在强劲的上升趋势中，RSI值超过70可能表示趋势的延续，而在下降趋势期间的RSI值70可能意味着一个很好的切入点。问题是要找出要考虑这两个因素的确切条件。

我们可以收集成千上万个数据点，然后尝试自己找到这些关系，也可以使用支持向量机为我们完成工作。

让我们看看我们可以使用AUD / USD 每小时数据将开盘价与50期简单移动平均线（SMA）比较，从而在3期RSI中找到模式并定义趋势。

加载历史价格。

#*****************************************************************
# 载入历史数据
#****************************************************************** 

AUDUSD = read.xts('AUDUSD.csv', format='%m/%d/%y %H:%M', index.class = c("POSIXlt", "POSIXt"))

建立模型

使用R建立我们的模型，分析它能够找到的模式，然后进行测试以查看这些模式在实际的交易策略中是否成立。

创建指标并训练SVM：

#*****************************************************************
# 代码策略
#****************************************************************** 
load.packages('e1071,ggplot2')

indicators = as.xts(list(
RSI3 = RSI(Cl(AUDUSD), 3),

SMA50 = SMA(Op(data$AUDUSD), 50)


# 删除缺失
DataSet = DataSet[-(1:49),]

#将数据分为60％的训练集以构建模型，20％的测试集以测试我们发现的模型，以及20％的验证集将我们的策略应用于新的数据
Training = DataSet[1:4528,]


#使用径向基函数作为核，将成本或C设置为1，构建支持向量机

svm(
 data=Training, 
kernel="radial",
cost=1,gamma=1/2)

#在训练集中再次运行算法以可视化找到的模型
predict(SVM,Training,type="class")


# 绘图
ggplot(TrainingData, aes(x=Trend,y=RSI3))

我们可以看到算法在三个不同的区域预测空头，而在中间的一个区域预测多头。

让我们进一步探索。

多头	空头
RSI低于25，价格比SMA 50低20（准确度为56％，交易36次）	RSI小于25，且价格比SMA 50低10至5个点（准确度为54％，交易81次）
RSI3在50到75之间，价格比SMA 50高5到10个点之间（准确度为58％，交易104）	RSI大于70，价格比SMA 50低5个点以上（准确度为59％，交易37次）
	RSI大于75，价格比SMA 50高出15个点（准确度为59％，交易34次）

首先是左下角区域。在这里，价格刚刚跌破50期SMA，RSI跌破25，表明跌势突破。

但是，如果价格跌破50周期SMA下方20个点，而RSI仍低于25点，则该算法会发现有较强的信号可以转换为均值，并预测多头交易。

接下来，图左上方的短暂机会代表了RSI的传统观点。我们希望RSI超过70，而价格比50周期均线高出15点以上，以表示“超买”情况，这表明我们做空了。

左上方的区域有些不同。当价格刚刚跌破50期SMA以下且RSI超过70时，它发现了一个短暂的机会。这与第一种情况相似，但我们正在寻找看跌突破进入信号，而不是传统的“超买”条件。

最终，存在一个区域的RSI在50到75之间，而价格已经超过了50期均线，该算法发现了强烈的买入信号。

现在，我们找到了SVM发现的一组基本规则，让我们测试一下它们对新数据（测试集）的支持程度。

# 我们找到了SVM发现的一组基本规则，测试一下它们在新数据（测试集）的正确程度。

# 模式在测试集中的表现：

 sum(ShortTrades$Direction == -1)/nrow(ShortTrades)*100

[1] 57.82313

sum(LongTrades$Direction ==1)/nrow(LongTrades)*100

[1] 57.14286

我们的空头交易为58％（147笔交易中的85笔正确），而我们的多头交易为57％（140笔交易中的80笔正确）。

使用支持向量机（一种功能强大的机器学习算法），我们不仅能够了解RSI的传统知识在什么条件下成立，而且还能够创建可靠的交易策略。

此过程称为从机器学习算法中得出规则，使您可以结合自己的交易经验来使用机器学习算法。

---