王倫

摘 要：近年來(lái)，機(jī)器學(xué)習(xí)技術(shù)在完善傳統(tǒng)金融投資模型中的應(yīng)用受到了學(xué)術(shù)界和金融界的廣泛關(guān)注。以滬深300股票為研究對(duì)象，利用Adaboost提高原線性支持向量機(jī)的分類能力，結(jié)合所有主要因素構(gòu)建基于Adaboost增強(qiáng)的Adaboost-SVM多因子選股模型。在回測(cè)分析中，將原始線性支持向量機(jī)的選股策略與基于Adaboost增強(qiáng)的Adaboost-SVM多因子選股策略進(jìn)行了比較。結(jié)果表明，基于Adaboost增強(qiáng)的Adaboost-SVM多因子選股策略比原始算法模式具有更強(qiáng)的盈利能力和更小的收入波動(dòng)。

關(guān)鍵詞：多因子選股;Adaboost;SVM

中圖分類號(hào)：F830.91? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號(hào)：1673-291X（2019）10-0107-02

一、理論模型

1.支持向量機(jī)。SVM算法是根據(jù)訓(xùn)練樣本找到最優(yōu)超平面的過程。在二維坐標(biāo)點(diǎn)的情況下，SVM算法是找到一條直線來(lái)分離兩種類型的坐標(biāo)點(diǎn)。然而在這些無(wú)數(shù)條線中，如果它們太靠近坐標(biāo)點(diǎn)，噪聲干擾將對(duì)分類結(jié)果產(chǎn)生很大影響。因此，我們可以定義SVM算法是找到離訓(xùn)練樣本最遠(yuǎn)的線，也稱為最佳直線。消除優(yōu)化過程的推導(dǎo)，產(chǎn)生的優(yōu)化問題是：

2.Adaboost模型。Adaboost是一種迭代算法，其核心思想是在同一訓(xùn)練集的目標(biāo)下訓(xùn)練不同的弱分類器，特別是對(duì)難以準(zhǔn)確分類的數(shù)據(jù)進(jìn)行重復(fù)訓(xùn)練，然后收集所有弱分類器以形成更強(qiáng)強(qiáng)分類。Adaboost算法本身是通過改變數(shù)據(jù)的布局來(lái)實(shí)現(xiàn)的，它通過樣本的分類在訓(xùn)練集中是否正確以及通過上次總分類準(zhǔn)確率，這使得難以分類的數(shù)據(jù)得到了培訓(xùn)。發(fā)送帶有修正權(quán)重的新數(shù)據(jù)集，由Bottom，classifiers訓(xùn)練，最后將從每次訓(xùn)練中獲得的分類器聚合為最終決策分析器。

3.基于Adaboost的增強(qiáng)型Adaboost-SVM選股模型。首先調(diào)用12個(gè)月的股票數(shù)據(jù)，設(shè)定權(quán)重D1（1），N作為樣本的數(shù)量，選取的數(shù)據(jù)為每月第一天的收盤價(jià)，然后得到SVM分類器。接下來(lái)，最終的Adaboost-SVM算法可表示為：

二、實(shí)證分析

1.基于SVM原始選股策略模型的測(cè)試。在不考慮非線性分析的情況下，從Adaboost算法、傳統(tǒng)回歸方法、SVM算法中得出長(zhǎng)短投資組合凈值的對(duì)比（見圖1），可以看到，SVM算法的最終凈值最高，而其波動(dòng)度低于傳統(tǒng)的回歸方法。

2.基于增強(qiáng)Adaboost的Adaboost-SVM選股模型測(cè)試（如圖2所示）。

與上述傳統(tǒng)的SVM算法相比，基于Adaboost的增強(qiáng)型Adaboost-SVM算法分類模型的長(zhǎng)短策略的利潤(rùn)凈值顯著增加，這意味著它整體上優(yōu)于傳統(tǒng)的SVM模型。

三、總結(jié)

本文對(duì)多因素選股策略進(jìn)行了新的嘗試——基于增強(qiáng)Adaboost的Adaboost-SVM算法分類，每個(gè)因素的每個(gè)因素都具有特征，具有68個(gè)因子的維度，Adaboost-SVM算法可以有效地對(duì)投資組合的標(biāo)簽進(jìn)行分類和預(yù)測(cè)。與線性支持向量算法的主動(dòng)組合凈值相比，Adaboost-SVM算法產(chǎn)生更高的凈值利潤(rùn)。對(duì)于模型的進(jìn)一步方向，純SVM算法對(duì)二元分類問題有更好的效果，盡管從實(shí)踐的角度來(lái)看，對(duì)于多個(gè)或連續(xù)的分類變量，它沒有達(dá)到更好的回測(cè)結(jié)果，但是，Adaboost算法的思想也適用于多變量或連續(xù)變量問題。因此，Adaboost-SVM算法的組合值得進(jìn)一步研究和測(cè)試多變量問題。

參考文獻(xiàn)：

[1]? Huang Qin.Research on the application of support vector machines in China a-share market quantitative strategy based on fama-fench three-factor model[J].Times Finance，2017，（11）：172-173.

[2]? Dong Zhi-qiang，Liu Yong-nian&Wei Li-hua.Fault detection of automatic car equipment based on AdaBoost and SVM combination[J].Electronics World，2018，（2）：17-19.