鄧亞?wèn)| 王波

摘 要 基于高斯RBF核支持向量機(jī)預(yù)測(cè)棉花商品期貨主力和次主力合約協(xié)整關(guān)系的價(jià)差序列，確定最優(yōu)SVM參數(shù)，并選擇合適的開(kāi)平倉(cāng)閾值，進(jìn)行同品種跨期套利.再與多項(xiàng)式核支持向量機(jī)套利結(jié)果對(duì)比，得到在所有開(kāi)平倉(cāng)閾值上，基于高斯RBF核支持向量機(jī)套利的收益率都明顯高于多項(xiàng)式核支持向量機(jī)套利的收益率.

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

中圖分類號(hào) F724.5 文獻(xiàn)標(biāo)識(shí)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(jìn)行商品期貨套利時(shí)使用比較普遍的方法是均值回歸套利方法和機(jī)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(pán)價(jià)，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(jìn)行套利.Han和Liang等[2]運(yùn)用向量誤差修正模型以及結(jié)構(gòu)向量自回歸模型對(duì)芝加哥商品交易所和大連商品交易所大豆商品期貨進(jìn)行跨市場(chǎng)套利研究，實(shí)證結(jié)果表明國(guó)內(nèi)外兩個(gè)市場(chǎng)上的大豆期貨價(jià)格存在長(zhǎng)期穩(wěn)定的協(xié)整關(guān)系，投資者可以進(jìn)行跨市場(chǎng)套利.覃良文和唐國(guó)強(qiáng)等[3]使用協(xié)整-GARCH模型對(duì)滬銅期貨進(jìn)行跨期套利研究.

隨著機(jī)器學(xué)習(xí)方法的普及，其在金融工程上的應(yīng)用越來(lái)越多.Wiles和Enke[4]運(yùn)用神經(jīng)網(wǎng)絡(luò)模型對(duì)大豆及其壓榨品豆粕、豆油價(jià)差的短期波動(dòng)進(jìn)行預(yù)測(cè)，認(rèn)為可以根據(jù)遠(yuǎn)期合約和近期合約價(jià)差之間的協(xié)整關(guān)系進(jìn)行套利.靳朝翔和梁仁方[5]等基于神經(jīng)網(wǎng)絡(luò)模型對(duì)焦炭、鐵礦石和螺紋鋼進(jìn)行跨品種套利研究，認(rèn)為NAR動(dòng)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(jī)對(duì)多個(gè)亞洲指數(shù)進(jìn)行預(yù)測(cè)，得到后者相比于神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測(cè)準(zhǔn)確度.

目前應(yīng)用支持向量機(jī)模型[7]進(jìn)行棉花期貨套利的研究很少.因此，本文實(shí)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(xiàng)式核函數(shù)作為對(duì)比，構(gòu)建支持向量機(jī)套利模型.

4） 高斯核支持向量機(jī)套利結(jié)果（見(jiàn)表4和表5）

5）套利收益率對(duì)比（見(jiàn)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(jī)的預(yù)測(cè)準(zhǔn)確度明顯優(yōu)于多項(xiàng)式核支持向量機(jī)，并且不管是在樣本內(nèi)還是樣本外，高斯核支持向量機(jī)的套利年化收益率總是優(yōu)于多項(xiàng)式核支持向量機(jī)套利年化收益率.在閾值取值大于6時(shí)，高斯核支持向量機(jī)的套利年化收益率可超過(guò)20%，獲得了非常可觀的套利收益率.

支持向量機(jī)的預(yù)測(cè)能力會(huì)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(dòng)，因此，未來(lái)打算在這些方面進(jìn)行優(yōu)化.鑒于高斯RBF核類似于RBF神經(jīng)網(wǎng)絡(luò)，未來(lái)也將致力于構(gòu)建高效的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)進(jìn)行套利交易，使用多種方法擬合價(jià)差序列的非線性特征，從而進(jìn)一步提高套利效果.

參考文獻(xiàn)

[1]顧全， 雷星暉. 基于協(xié)整的豆類期貨統(tǒng)計(jì)套利實(shí)證研究[J]. 統(tǒng)計(jì)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(guó)強(qiáng). 基于協(xié)整-GARCH模型最優(yōu)閾值統(tǒng)計(jì)套利研究[J]. 桂林理工大學(xué)學(xué)報(bào)， 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(cái)經(jīng)大學(xué)學(xué)報(bào)， 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(jī)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.