鄧亞東 王波

摘 要 基于高斯RBF核支持向量機預(yù)測棉花商品期貨主力和次主力合約協(xié)整關(guān)系的價差序列，確定最優(yōu)SVM參數(shù)，并選擇合適的開平倉閾值，進行同品種跨期套利.再與多項式核支持向量機套利結(jié)果對比，得到在所有開平倉閾值上，基于高斯RBF核支持向量機套利的收益率都明顯高于多項式核支持向量機套利的收益率.

關(guān)鍵詞 機器學(xué)習(xí); 高斯核支持向量機; 套利策略

中圖分類號 F724.5 文獻標(biāo)識碼 A

Abstract To predict price difference sequence between cotton commodity futures based on Gaussian RBF kernel support vector machine， we determined ?the optimal SVM parameters， and chose the proper threshold. Compared with the polynomial kernel SVM arbitrage results obtained in all threshold， the Gaussian RBF kernel support vector machine arbitrage yields are significantly higher than the polynomial kernel support vector machine based on arbitrage yield.

Key words machine learning; Gaussian kernel support vector machine; arbitrage

1 引 言

目前，進行商品期貨套利時使用比較普遍的方法是均值回歸套利方法和機器學(xué)習(xí)套利方法兩大類.顧全和雷星暉[1]選取大連商品交易所豆油、大豆和豆粕期貨主力合約收盤價，建立誤差修正模型，證明三者之間存在協(xié)整關(guān)系，可使用均值回歸模型進行套利.Han和Liang等[2]運用向量誤差修正模型以及結(jié)構(gòu)向量自回歸模型對芝加哥商品交易所和大連商品交易所大豆商品期貨進行跨市場套利研究，實證結(jié)果表明國內(nèi)外兩個市場上的大豆期貨價格存在長期穩(wěn)定的協(xié)整關(guān)系，投資者可以進行跨市場套利.覃良文和唐國強等[3]使用協(xié)整-GARCH模型對滬銅期貨進行跨期套利研究.

隨著機器學(xué)習(xí)方法的普及，其在金融工程上的應(yīng)用越來越多.Wiles和Enke[4]運用神經(jīng)網(wǎng)絡(luò)模型對大豆及其壓榨品豆粕、豆油價差的短期波動進行預(yù)測，認為可以根據(jù)遠期合約和近期合約價差之間的協(xié)整關(guān)系進行套利.靳朝翔和梁仁方[5]等基于神經(jīng)網(wǎng)絡(luò)模型對焦炭、鐵礦石和螺紋鋼進行跨品種套利研究，認為NAR動態(tài)神經(jīng)網(wǎng)絡(luò)套利效果明顯優(yōu)于傳統(tǒng)的套利方法.Chen和 Shih[6]采用了BP神經(jīng)網(wǎng)絡(luò)與支持向量機對多個亞洲指數(shù)進行預(yù)測，得到后者相比于神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測準(zhǔn)確度.

目前應(yīng)用支持向量機模型[7]進行棉花期貨套利的研究很少.因此，本文實證分析部分使用MATLAB軟件為工具，利用高斯RBF核函數(shù)，并使用多項式核函數(shù)作為對比，構(gòu)建支持向量機套利模型.

4） 高斯核支持向量機套利結(jié)果（見表4和表5）

5）套利收益率對比（見圖3）

4 總結(jié)分析

根據(jù)以上數(shù)據(jù)可知，基于高斯核支持向量機的預(yù)測準(zhǔn)確度明顯優(yōu)于多項式核支持向量機，并且不管是在樣本內(nèi)還是樣本外，高斯核支持向量機的套利年化收益率總是優(yōu)于多項式核支持向量機套利年化收益率.在閾值取值大于6時，高斯核支持向量機的套利年化收益率可超過20%，獲得了非?？捎^的套利收益率.

支持向量機的預(yù)測能力會受到SVM參數(shù)、SVM核函數(shù)、訓(xùn)練數(shù)據(jù)集、訓(xùn)練周期等的影響而產(chǎn)生較大的波動，因此，未來打算在這些方面進行優(yōu)化.鑒于高斯RBF核類似于RBF神經(jīng)網(wǎng)絡(luò)，未來也將致力于構(gòu)建高效的動態(tài)神經(jīng)網(wǎng)絡(luò)進行套利交易，使用多種方法擬合價差序列的非線性特征，從而進一步提高套利效果.

參考文獻

[1]顧全， 雷星暉. 基于協(xié)整的豆類期貨統(tǒng)計套利實證研究[J]. 統(tǒng)計與決策， 2015（7）：151-154.

[2]HAN ?L， LIANG ?R， TANG ?K. Cross-market soybean futures price discovery： does the dalian commodity exchange affect the chicago board of ?trade？[J]. Quantitative Finance， 2013，13（4）：613-626.

[3]覃良文， 唐國強. 基于協(xié)整-GARCH模型最優(yōu)閾值統(tǒng)計套利研究[J]. 桂林理工大學(xué)學(xué)報， 2016，36（3）：625-631.

[4]WILES ?PS， ENKE ?D. Nonlinear modeling using neural networks for trading the soybean complex[J]. Procedia Computer Science， 2014， 36：234-239.

[5]靳朝翔， 梁仁方， 劉建和. 基于神經(jīng)網(wǎng)絡(luò)模型的商品期貨跨品種套利策略——以焦炭、鐵礦石和螺紋鋼為例[J]. 云南財經(jīng)大學(xué)學(xué)報， 2016， 32（4）：150-160.

[6]CHEN W H， SHIH ?J Y， WU ?S. Comparison of support-vector machines and back propagation neural networks in forecasting the six major Asian stock markets [J]. International Journal of Electronic Finance， 2006， 1（1）：49-67.

[7]周志華. 機器學(xué)習(xí)[M]. 北京：清華大學(xué)出版社， 2016：121-145.

[8]CORTES C， VAPNIK V. Support-vector networks [J]. Machine Learning， 1995， 20（3）： 273-297.