渤海证券-金融工程专题报告：SVM模型在多因子股票池上的择时应用-190318

《渤海证券-金融工程专题报告：SVM模型在多因子股票池上的择时应用-190318（12页）.pdf》由会员分享，可在线阅读，更多相关《渤海证券-金融工程专题报告：SVM模型在多因子股票池上的择时应用-190318（12页）.pdf（12页精品完整版）》请在悟空智库报告文库上搜索。

        核心观点：
        策略逻辑
        本文测试了通过传统多因子模型构建股票池，并在给定股票池的基础上，通过SVM模型进行择时交易的量化策略。SVM作为传统机器学习模型中一个非常重要的分类算法，其构建方式思路为，如果数据点离分隔超平面的间隔越远，其预测效果越可信，模型的目的就是找到最大支持向量到分隔超平面的距离这一最优化问题的解。
        特征集和测试流程
        特征集主要使用行情数据以及基于行情数据计算出来的技术指标和统计指标。提取前十二个月股票池中股票的特征集和涨跌情况作为训练集，在训练集内完成交叉验证以确定超参，然后对每只股票逐日预测未来N个交易日的涨跌情况，根据预测结果进行择时交易。此后每三个月更新一次训练集，完成交叉验证和确定超参。
        测试结果
        添加日线级别择时后，年化收益率从18.66%增加到22.17%，年化波动率从34.75%降低到27.26%，年均换手率从1175.23%降低到991.46%。添加周线级别择时后，年化收益率从18.66%降低到16.07%，年化波动率从34.75%降低到32.73%，年均换手率从1175.23%降低到987.96%。
        结论
        1、在时间周期选择上，日频周期效果比周频周期效果要好。2、把机器学习模型应用在日频周期择时上可以提高策略表现。3、若训练样本采用滚动方式，市场行情处于顶部位置时，机器学习模型并不能提供即时的逃顶止盈，还需要和传统的止盈止损方法相结合才可以使策略有更好的表现。4、因部分股票存在一直空仓的状态，添加日线或周线择时后，年平均换手率并没有提高，反而有所降低。
        风险提示
        模型过度优化风险，模型失效风险。