郜燕群

摘要：隨著大數(shù)據(jù)時代的到來，數(shù)據(jù)挖掘技術(shù)正日益滲透到各行各業(yè)。基于數(shù)據(jù)挖掘技術(shù)挖掘出掌柜錢包的基本面數(shù)據(jù)，其目的是為了獲取投資的標(biāo)量信息。隨后建立支持向量機的指數(shù)回歸預(yù)測模型，通過模型回測判斷預(yù)測效果良好。為了更好的判斷未來價量信息的走向，因此采用基于模糊信息化的支持向量機指數(shù)預(yù)測模型，以每周信息為一個信息點，所得到結(jié)果準(zhǔn)確。

關(guān)鍵詞：大數(shù)據(jù);信息?；?支持向量機;指數(shù)預(yù)測

中圖分類號：F23文獻(xiàn)標(biāo)識碼：Adoi：10.19311/j.cnki.1672-3198.2019.16.046

1引言

“掌柜錢包”是興業(yè)全球基金與興業(yè)銀行聯(lián)合推出的互聯(lián)網(wǎng)的理財存取業(yè)務(wù)，該業(yè)務(wù)于2014年3月10日上線運行，自上線以來在同類104只貨幣基金多次排前兩名，截至2018年12月，資金規(guī)模達(dá)460億元，在貨幣基金市場排名第五。在掌柜錢包廣受歡迎的同時，我們也要對其進行預(yù)警研究，而本文使用的技術(shù)分析就是一種比較有效的方式。

技術(shù)分析注重對金融市場歷史數(shù)據(jù)的研究，通過圖表展現(xiàn)預(yù)測價格走勢和投資策略分析。在理論上，技術(shù)分析只考慮市場或金融工具的實際價格行為，并認(rèn)為價格會通過其他渠道反映所有投資者的相關(guān)因素。技術(shù)分析是一種證券交易的基本分析方法，也是實際操作是最大的分析方法。關(guān)于技術(shù)分析的運用和市場交易的有效性，學(xué)術(shù)界和實務(wù)界一直存在爭議。但從實踐角度，為了更好地理解和運用技術(shù)分析，實現(xiàn)投資收益，減少被動風(fēng)險其研究也是非常有意義的。一個衡量風(fēng)險的指標(biāo)是MSE，而本文運用的SVM能夠有效性的檢驗誤差。

2文獻(xiàn)綜述

隨著金融市場的擴張、金融風(fēng)險預(yù)警的發(fā)展，技術(shù)分析較傳統(tǒng)投資優(yōu)勢逐漸顯現(xiàn)。Markowitz在1952年發(fā)表的《投資組合選擇理論》中提出了均值-方差模型，開創(chuàng)了現(xiàn)代投資組合理論。緊接著William Sharpe 1964年對資產(chǎn)組合模型進行了簡化，提出了資本資產(chǎn)定價CAPM模型，闡釋了單一投資回報率與標(biāo)準(zhǔn)投資組合的投資回報率之間的相關(guān)性。隨后Stephen Ross在1976年提出了套利定價APT模型，認(rèn)為如果市場未達(dá)到均衡狀態(tài)并且不考慮交易成本等中間因素，就會存在無風(fēng)險套利機會。從而將資本資產(chǎn)定價理論推向了一個新的研究階段。

近些年，機器學(xué)習(xí)技術(shù)在技術(shù)投資領(lǐng)域得到了快速發(fā)展，SVM作為一個常用的技術(shù)有了大量的研究。MAH Farquad 提出在解決財務(wù)問題的銀行信用卡客戶的流失預(yù)測和保險中的欺詐檢測，SVM能夠敏感性的判斷，實證結(jié)果表明，所提出的改進的基于主動學(xué)習(xí)的SVM方法產(chǎn)生了最佳靈敏度，并且減少了規(guī)則的長度和數(shù)量，從而提高了可理解性。 L.Zhang提出SVM在供應(yīng)鏈金融管理供應(yīng)商和客戶管理之間的需求，建立一個認(rèn)證管理系統(tǒng)，從而提高了中小企業(yè)融資過程的信用評級狀況。胡海清等提出了供應(yīng)鏈金融模式下的信用風(fēng)險管理，利用SVM建立風(fēng)險評估體系，證實了風(fēng)險評估的有效性。Hsu， Ming-Wei等提出將機器學(xué)習(xí)方法應(yīng)用到金融時間序列預(yù)測上，金融市場的可預(yù)測性和基于模型的盈利交易的可行性受到市場成熟度、所采用的預(yù)測方法、預(yù)測產(chǎn)生的時間范圍以及評估模型和模擬模型交易的方法的顯著影響，且SVM預(yù)測所得到的效果顯著。Shom Prasad Das等提出SVM-TLBO模型避免了用戶指定的控制參數(shù)，通過預(yù)測COMDEX商品期貨指數(shù)的每日收盤價來評估該混合模型的可行性和效率。實驗結(jié)果表明，該模型是有效的，并且比粒子群優(yōu)化（PSO）+ SVM混合和標(biāo)準(zhǔn)SVM模型表現(xiàn)更好。例如，與標(biāo)準(zhǔn)SVM回歸相比，該模型將平均絕對誤差提高了65.87%（提前1天預(yù)測），55.83%（提前3天預(yù)測）和67.03%（提前5天預(yù)測）。更多的，Johana等人分析了59篇關(guān)于SVM和金融時間序列的分析進展，結(jié)論表明SVM比傳統(tǒng)的時間序列方法更準(zhǔn)確。

3粒化支持向量機理論介紹

3.1相關(guān)理論

20世紀(jì)90年代初Vapnik等人根據(jù)統(tǒng)計學(xué)習(xí)理論提出了一種新的機器學(xué)習(xí)方法，即SVM方法。該方法以結(jié)構(gòu)風(fēng)險最小化原則為理論基礎(chǔ)，通過適當(dāng)?shù)剡x擇函數(shù)子集及該子集中的判別函數(shù)，使學(xué)習(xí)機器的實際風(fēng)險達(dá)到最小，保證了通過有限訓(xùn)練樣本得到的小誤差分類器，對獨立測試集的測試誤差仍然較小。在支持向量和輸入空間抽取的向量之間的內(nèi)積核是構(gòu)造支持向量機學(xué)習(xí)算法的關(guān)鍵。其中支持向量機是由算法從訓(xùn)練數(shù)據(jù)中抽取的小子集構(gòu)成。其種類主要有：

線性核函數(shù)：K（x，xi）=xTxi ;

多項式核函數(shù)：K（x，xi）=（γxTxi+r）p，γ>0;

徑向基核函數(shù)：K（x，xi）=exp（-γ||x-xi||2），γ>0;

兩層感知器核函數(shù)：K（x，xi）=tanh（γxTxi+r）

通過對比發(fā)現(xiàn)，雖然對掌柜錢包進行了回歸預(yù)測，但是大多數(shù)時候無法對指數(shù)進行精確預(yù)測，如果能夠?qū)﹂_盤指數(shù)和變化空間進行預(yù)測就顯得很重要。利用SVM對進行模糊信息?；蟮拿咳臻_盤指數(shù)進行變化趨勢和變化空間的預(yù)測。

信息?；擅绹鴶?shù)學(xué)家Lotfi A.Zahdeh 教授提出，是粒化計算和詞語計算的主要方面，研究信息粒化的形成、表示、粗細(xì)、語義解釋等。從本質(zhì)上講，信息?；峭ㄟ^不可區(qū)分性、相似性、功能相近性、函數(shù)性等來劃分對象的集合。是將一個整體分解為一個個相似的元素部分進行研究，每個部分為一個信息粒。這種信息粒命題表達(dá)方式為：

gΔ-xisGisλ 或者gΔ-xisG

其中x是論域U中取值的變量，G是U的模糊子集，由隸屬函數(shù)μG來刻畫。λ表示可能性概率。一般假設(shè)U為實數(shù)集合RR''，G是U的凸模糊子集，λ是單位區(qū)間的模糊子集。

3.2“掌柜錢包”技術(shù)分析模型構(gòu)建

選取數(shù)據(jù)：每一行表示每一個交易日的掌柜錢包指數(shù)各種指標(biāo)，6列分別表示當(dāng)天指數(shù)的開盤指數(shù)，指數(shù)最高，指數(shù)最低值，收盤指數(shù)，當(dāng)日交易量，當(dāng)日交易額。

模型目的：利用SVM建立的回歸模型對指數(shù)每日的開盤數(shù)進行回歸擬合

模型假設(shè)：指數(shù)每日的開盤數(shù)與前一日的開盤指數(shù)，指數(shù)最高值，指數(shù)最低價，收盤指數(shù)，交易量和交易額相關(guān)，即把前一日的開盤指數(shù)，指數(shù)最高值，指數(shù)最低價，收盤指數(shù)，交易量和交易額作為當(dāng)日開盤指數(shù)的自變量，當(dāng)日的開盤指數(shù)為因變量。

在給定的訓(xùn)練樣本x1，y1，...，xn，yn，i=1，2，...，n，采用不敏感損失函數(shù)算法，尋找回歸函數(shù)f（x，α）=wx+b中的參數(shù)w，b，將問題轉(zhuǎn)化為：

min12w2+C∑ni=1ξi+ξ*i

s.t.（wxi+b）-yiSymbolcB@

ε+ξiyi-（wTxi+b）SymbolcB@

ε+ξ*iξi，ξ*i0，i=1，2...n

引入拉格朗日函數(shù)可以得到對偶規(guī)劃

min12∑ni，j=1α*i-αiα*j-αjxixj+ε∑ni=1α*i+αi∑nj=1yiα*j-αj

s.t.∑ni=1（α*i-αi）=00SymbolcB@

αi，α*iSymbolcB@

C，i=1，2...n

對于非線性回歸類似，可以通過核函數(shù)來實現(xiàn)。

目前比較常用的核函數(shù)類型有：

線性核函數(shù)：K（x，xi）=xTxi ;

多項式核函數(shù)：K（x，xi）=（gxTxi+r）d;

高斯核函數(shù)：K（x，xi）=exp（-g‖x-xi‖2） ;

Sigmoid核函數(shù)：K（x，xi）=tanh（gxTxi+r）

支持向量機的核函數(shù)以及參數(shù)的選取對其目標(biāo)的預(yù)測性能有很大的影響，從現(xiàn)有的研究成果來看，大多數(shù)情況下最常用的核函數(shù)-高斯核函數(shù)都獲得了較好的預(yù)測效果，因此本文借鑒已有的研究成果采用高斯核函數(shù)進行研究。此時的支持向量機存在兩個需要調(diào)節(jié)的參數(shù)：懲罰參數(shù)c和高斯核函數(shù)參數(shù)g。上述算法流程如圖1所示。

對于掌柜錢包的有效預(yù)測可以從整體上觀測股市的變化提供強有力的信息，所有對掌柜錢包的預(yù)測很有意義，通過對掌柜錢包的開盤至今的每日開盤數(shù)據(jù)進行回歸分析。

4結(jié)果分析

通過使用核函數(shù)-高斯核函數(shù)的研究網(wǎng)絡(luò)搜索法來對高斯核函數(shù)g和懲罰參數(shù)c進行優(yōu)化選擇實現(xiàn)。選擇回歸預(yù)測分析最佳的SVM參數(shù)c&g。

利用上面得到的最佳參數(shù)c和g對SVM進行訓(xùn)練，然后再對原始數(shù)據(jù)進行回歸預(yù)測，得出圖1、圖2。利用回歸預(yù)測分析最佳的參數(shù)進行SVM網(wǎng)絡(luò)訓(xùn)練。

利用網(wǎng)格搜索法最終得到的擬合結(jié)果為：均方誤差MSE=0.000362，相關(guān)系數(shù)R = 98.56%，在95%的置信區(qū)間下，預(yù)測的準(zhǔn)確率為93.98%，預(yù)測效果良好。利用高斯核函數(shù)的強大回歸，得到的效果良好。

對上一個模型進行改良的上面是對一個指標(biāo)進行回歸預(yù)測，而這里進行的是對3個指標(biāo)（最低價，平均價，最高價）進行回歸預(yù)測，得到的是一個區(qū)間進行說明，其準(zhǔn)確性更高。

利用SVM對模糊粒子Low進行回歸預(yù)測?；谏厦鎸さ玫膮?shù)，利用支持向量機回歸預(yù)測。

對于Low的擬合結(jié)果分析，利用上面得到的最佳參數(shù)訓(xùn)練和預(yù)測，最終Low模型得到的擬合效果為：

均方誤差MSE=0.0045

相關(guān)系數(shù)R =85.90%

接下來5個交易日的平均模糊粒子參數(shù)：

predict_low =1.3321

再次利用SVM對R、Low進行回歸預(yù)測。最終結(jié)果如下，求得的模糊粒子參數(shù)最低值Low，平均值r，最高值Up的預(yù)測值分別是：

[Low，R，Up]=[1.3321， 13652， 1.4022]

通過與接下來的幾天進行實證分析其結(jié)果確實是在里面，證明回測成功。通過截取2019年1月2-4日的K線圖，可以證明擬合效果良好。

5結(jié)論及未來工作

在?；疭VM建?；販y過程中沒有考慮手續(xù)費和沖擊成本等因素，僅僅是一個大概的測試結(jié)果，其目的是為了說明使用SVM交易策略建模的思想和過程。本節(jié)提出的模型也可以擴展到小時級別，分鐘級別等其他頻率交易數(shù)據(jù)模型的構(gòu)建。

雖然技術(shù)投資分析在我國尚處于發(fā)展起步階段，但2010年以來發(fā)展態(tài)勢快速，未來發(fā)展前景廣闊。近些年來機器學(xué)習(xí)的大力發(fā)展也為金融技術(shù)投資分析提供了理論基礎(chǔ)，也讓技術(shù)投資不失為一種非常高效的金融分析方法。值得注意的是，雖然技術(shù)投資是一種客觀、高效、無偏的投資方式，但投資者也不能過度依賴，畢竟市場的多變性和有效性都會給技術(shù)投資帶來諸多挑戰(zhàn)，因而需要充分發(fā)揮金融工程師的創(chuàng)造力，不斷挖掘創(chuàng)新投資模型。相信隨著大數(shù)據(jù)技術(shù)、人工智能的快速發(fā)展，技術(shù)投資在國內(nèi)會有更好的發(fā)展勢頭。

參考文獻(xiàn)

[1]Kamla Ali Al-Busaidi.Aligning customer knowledge management tools with business strategy[J].International Journal of Electronic Customer Relationship Management， 2013，（7）：2，117-134.

[2]Markowitz H.Portfolioselection[J].The journal of finance， 1952， 7（1）：77-91.

[3]Sharp， W.F.， Capital asset prices： A theory of market equilibrium under condition ofrisk[J].Journal of Financial Economics， 1964，19（3）：425-442.

[4]Cox J C， Ross S A.The valuation of options for alternative stochasticprocesses[J].Journal of financial economics， 1976， 3（1-2）： 145-166.

[5]Zhang L， Hu H， Zhang D.A credit risk assessment model based on SVM for small and medium enterprises in supply chainfinance[J].Financial Innovation， 2015， 1（1）：14.

[6]胡海青，張瑯，張道宏，陳亮.基于支持向量機的供應(yīng)鏈金融信用風(fēng)險評估研究[J].軟科學(xué)，2011，25（05）：26-30+36.

[7]Hsu M W，Lessmann S， Sung M C， et al.Bridging the divide in financial market forecasting： machine learners vs.financial economists[J].Expert Systems with Applications， 2016， （61）： 215-234.

[8]Jaramillo J， Velasquez J D， Franco C J.Research in financial time series forecasting with SVM： Contributions from literature[J].IEEE Latin America Transactions， 2017， 15（1）：145-153.

[9]Das S P，Padhy S.A novel hybrid model using teaching–learning-based optimization and a support vector machine for commodity futures index forecasting[J].International Journal of Machine Learning and Cybernetics， 2018， 9（1）： 97-111.

[10]張衛(wèi)國，盧媛媛，劉勇軍.基于非均衡模糊近似支持向量機的P2P網(wǎng)貸借款人信用風(fēng)險評估及應(yīng)用[J].系統(tǒng)工程理論與實踐，2018，38（10）：2466-2478.

[11]Schumakerrp，Chenh.Textual analysis of stock market prediction using breaking financial news[J].The Journal of Finance，2009：5-19.

[12]Chih-Chung Chang and Chih-Jen Lin.LIBSVM： A Library for Support Vector Machines[EB/OL].http：//www.csie.ntu.edu.tw/～cjlin/papers/libsvm.pdf， 2013.

[13]Chao-Ton Su， Long-Sheng Chen，Yuehwern Yih.Knowledge acquisition through information granulation for imbalanced data[J].Expert Systems with Applications， 2006，（31）：531-541.

[14]J.Bollen，H.Mao and X.Zeng.Twitter mood predicts the stock market[J].Journal of Computational Science， 2011，（2）：1-8.