支持向量机股票量化分析

① 支持向量机能用到对 股票估值上吗

支持向量机SVM(Support Vector Machine)作为一种可训练的机器学习方法,依靠小样本学习后的模型参数进行导航星提取,可以得到分布均匀且恒星数量大为减少的导航星表 基本情况 Vapnik等人在多年研究统计学习理论基础上对线性分类器提出了另一种设计最佳准则。其原理也从线svm 产品
性可分说起，然后扩展到线性不可分的情况。甚至扩展到使用非线性函数中去，这种分类器被称为支持向量机(Support Vector Machine,简称SVM)。支持向量机的提出有很深的理论背景。 支持向量机方法是在近年来提出的一种新方法。 SVM的主要思想可以概括为两点： (1) 它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而 使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能；(2) 它基于结构风险最小化理论之上在特征空间中建构最优分割超平面，使得学习器得到全svm 系列产品
局最优化,并且在整个样本空间的期望风险以某个概率满足一定上界。 在学习这种方法时，首先要弄清楚这种方法考虑问题的特点，这就要从线性可分的最简单情况讨论起，在没有弄懂其原理之前，不要急于学习线性不可分等较复杂的情况，支持向量机在设计时，需要用到条件极值问题的求解，因此需用拉格朗日乘子理论，但对多数人来说，以前学到的或常用的是约束条件为等式表示的方式，但在此要用到以不等式作为必须满足的条件，此时只要了解拉格朗日理论的有关结论就行。

② 3分钟了解深度学习跟量化交易是什么关系

机器学习怎样应用于量化交易（一）
曾有朋友问过，国内现在量化领域机器学习应用的少，是否因为效果不如简单的策略。其实，把机器学习应用在量化交易上始终面临着两难，却并不是无解的两难。很多时候并不是机器学习不work，而是真正懂如何用正确科学的统计思维使用Machine Learning的人才太少。机器学习涉及到特征选择、特征工程、模型选择、数据预处理、结果的验证和分析等一整套建模流程，广义角度来说就不单单是模型选择的问题。所以，如果认为“用支持向量机成功预测股票涨跌” 这样的研究，就是把机器学习应用于量化交易，这种狭义的认识无疑是买椟还珠，对机器学习领域散落遍地的珍珠视而不见。如果把机器学习的崛起放在历史进程中考量，无非就是趋势的延续：现在，可通过系统的数据分析证实过去模糊不定的经验，机器学习算法将未曾被察觉的规律得以浮现纸面。在我看来，未来的发展概有两个方向：1.针对量化交易的统计学习算法被提出，使其适合于噪声大，分布不稳定的金融数据分析；2.对于机器学习的热情回归理性，从工具为导向回归到问题为导向。针对如何以问题为导向，在机器学习算法中挑选合适的工具，分享一些思路。1.多因子模型的因子权重计算当我们在构建多因子模型且已经选定了一系列因子之后，要如何根据不同的市场情况调整各个因子的权重呢？在以往的研究中发现，与其它算法相比较，随机森林算法对于存在非线性、噪音和自变量共线性的训练集的分析结果更出色。所以，目前在多因子模型的权重上，采用当期收益率对上期因子进行随机森林回归分析，以确定下一期多因子模型的因子权重。2.缺失值处理处理缺失值在金融的量化分析中是个无可避免的问题。选取合理的缺失值处理方法，依赖于数据本身的特点、数据缺失的情况、其对应的经济学意义，以及我们需要使用数据进行何种计算。在尝试构建多因子模型时，我们选择了两种缺失值替换方法：（1）采用期望最大化算法 来用同一变量的已知数据对缺失值进行极大似然估计。（2）把模型中包含的所有因子作为特征变量，并赋予其相同的权重，再采用机器学习中的K-近邻算法来寻找最相似的标的，保证缺失值替换后，不会强化一部分因子的影响力。其实在量化领域，机器学习解决着线性模型天生的缺陷或弊端，所以还是有着很深的介入的。除去凸优化、降维(提取市场特征)等领域的应用，目前“非动态性”和“非线性”是两个重要的弊端。金融关系之间并非静态，很多时候也不是线性的。统计学习的优势此时就会体现出来，它们能够迅速地适应市场，或者用一种更“准确的”方式来描述市场。在国内，机器学习在量化内应用跟领域有很大的关系，跟频率也有很大的关系。比如，CTA的运用可能就要多于股票，它处理数据的维度要远小于股票，获取市场的长度和动态又强于股票。股票市场的momentum要弱于期货市场的momentum，它的趋势与股票相比更明显和低噪声。这些特征对于机器学习发挥作用都更加有利。很可能国内一些交易执行算法的设计上就借鉴了机器学习。我们可以通过学习订单薄特征，对下一期盘口变化做一些概率上的预测，经过一定样本的训练之后，可以显著地提升算法表现。而我仍谨慎看好深度学习等机器学习方法的原因在于，在认识市场上，现行的大部分方法与这些方法并不在一个维度上，这个优势让它们与其他方法相比，捕捉到更多的收益。也就是说，一个新的认识市场的角度才能带来alpha。

③ 股票方面，那种量化分析软件比较靠谱求推荐。

我给你说下，

④ 股票如何实现量化交易

采用交易接口介入，文化财经好像有！

⑤ 量化分析的量化投资策略

量化投资技术几乎覆盖了投资的全过程，包括量化选股、量化择时、股指期货套利、商品期货套利、统计套利、算法交易，资产配置，风险控制等。
1·量化选股
量化选股就是采用数量的方法判断某个公司是否值得买入的行为。根据某个方法，如果该公司满足了该方法的条件，则放入股票池，如果不满足，则从股票池中剔除。量化选股的方法有很多种，总的来说，可以分为公司估值法、趋势法和资金法三大类
2·量化择时
股市的可预测性问题与有效市场假说密切相关。如果有效市场理论或有效市场假说成立，股票价格充分反映了所有相关的信息，价格变化服从随机游走，股票价格的预测则毫无意义。众多的研究发现我国股市的指数收益中，存在经典线性相关之外的非线性相关，从而拒绝了随机游走的假设，指出股价的波动不是完全随机的，它貌似随机、杂乱，但在其复杂表面的背后，却隐藏着确定性的机制，因此存在可预测成分。
3·股指期货套利
股指期货套利是指利用股指期货市场存在的不合理价格，同时参与股指期货与股票现货市场交易，或者同时进行不同期限，不同(但相近)类别股票指数合约交易，以赚取差价的行为，股指期货套利主要分为期现套利和跨期套利两种。股指期货套利的研究主要包括现货构建、套利定价、保证金管理、冲击成本、成分股调整等内容。
4·商品期货套利
商品期货套利盈利的逻辑原理是基于以下几个方面 ：(1)相关商品在不同地点、不同时间对应都有一个合理的价格差价。(2)由于价格的波动性，价格差价经常出现不合理。(3)不合理必然要回到合理。(4)不合理回到合理的这部分价格区间就是盈利区间。
5·统计套利
有别于无风险套利，统计套利是利用证券价格的历史统计规律进行套利，是一种风险套利，其风险在于这种历史统计规律在未来一段时间内是否继续存在。统计套利在方法上可以分为两类，一类是利用股票的收益率序列建模，目标是在组合的β值等于零的前提下实现alpha 收益，我们称之为β中性策略；另一类是利用股票的价格序列的协整关系建模，我们称之为协整策略。
6·期权套利
期权套利交易是指同时买进卖出同一相关期货但不同敲定价格或不同到期月份的看涨或看跌期权合约，希望在日后对冲交易部位或履约时获利的交易。期权套利的交易策略和方式多种多样，是多种相关期权交易的组合，具体包括：水平套利、垂直套利、转换套利、反向转换套利、跨式套利、蝶式套利、飞鹰式套利等。
7·算法交易
算法交易又被称为自动交易、黑盒交易或者机器交易，它指的是通过使用计算机程序来发出交易指令。在交易中，程序可以决定的范围包括交易时间的选择、交易的价格、甚至可以包括最后需要成交的证券数量。根据各个算法交易中算法的主动程度不同，可以把不同算法交易分为被动型算法交易、主动型算法交易、综合型算法交易三大类。
8·资产配置
资产配置是指资产类别选择，投资组合中各类资产的适当配置以及对这些混合资产进行实时管理。量化投资管理将传统投资组合理论与量化分析技术的结合，极大地丰富了资产配置的内涵，形成了现代资产配置理论的基本框架。它突破了传统积极型投资和指数型投资的局限，将投资方法建立在对各种资产类股票公开数据的统计分析上，通过比较不同资产类的统计特征，建立数学模型，进而确定组合资产的配置目标和分配比例。

⑥ 股票市场的大数据量化分析是怎么做的

会做的都不会和你说的，简单来说就是收集数据，实现大数据ai

⑦ 机器学习在量化交易里面有多大的用处

曾有朋友问过，国内现在量化领域机器学习应用的少，是否因为效果不如简单的策略。其实，把机器学习应用在量化交易上始终面临着两难，却并不是无解的两难。很多时候并不是机器学习不work，而是真正懂如何用正确科学的统计思维使用Machine Learning的人才太少。
机器学习涉及到特征选择、特征工程、模型选择、数据预处理、结果的验证和分析等一整套建模流程，广义角度来说就不单单是模型选择的问题。所以，如果认为“用支持向量机成功预测股票涨跌” 这样的研究，就是把机器学习应用于量化交易，这种狭义的认识无疑是买椟还珠，对机器学习领域散落遍地的珍珠视而不见。如果把机器学习的崛起放在历史进程中考量，无非就是趋势的延续：现在，可通过系统的数据分析证实过去模糊不定的经验，机器学习算法将未曾被察觉的规律得以浮现纸面。
在我看来，未来的发展概有两个方向：
1.针对量化交易的统计学习算法被提出，使其适合于噪声大，分布不稳定的金融数据分析；
2.对于机器学习的热情回归理性，从工具为导向回归到问题为导向。
针对如何以问题为导向，在机器学习算法中挑选合适的工具，分享一些思路。
1.多因子模型的因子权重计算
当我们在构建多因子模型且已经选定了一系列因子之后，要如何根据不同的市场情况调整各个因子的权重呢？在以往的研究中发现，与其它算法相比较，随机森林算法对于存在非线性、噪音和自变量共线性的训练集的分析结果更出色。所以，目前在多因子模型的权重上，采用当期收益率对上期因子进行随机森林回归分析，以确定下一期多因子模型的因子权重。
2.缺失值处理
处理缺失值在金融的量化分析中是个无可避免的问题。选取合理的缺失值处理方法，依赖于数据本身的特点、数据缺失的情况、其对应的经济学意义，以及我们需要使用数据进行何种计算。在尝试构建多因子模型时，我们选择了两种缺失值替换方法：（1）采用期望最大化算法 来用同一变量的已知数据对缺失值进行极大似然估计。（2）把模型中包含的所有因子作为特征变量，并赋予其相同的权重，再采用机器学习中的K-近邻算法来寻找最相似的标的，保证缺失值替换后，不会强化一部分因子的影响力。
其实在量化领域，机器学习解决着线性模型天生的缺陷或弊端，所以还是有着很深的介入的。除去凸优化、降维(提取市场特征)等领域的应用，目前“非动态性”和“非线性”是两个重要的弊端。金融关系之间并非静态，很多时候也不是线性的。统计学习的优势此时就会体现出来，它们能够迅速地适应市场，或者用一种更“准确的”方式来描述市场。
在国内，机器学习在量化内应用跟领域有很大的关系，跟频率也有很大的关系。比如，CTA的运用可能就要多于股票，它处理数据的维度要远小于股票，获取市场的长度和动态又强于股票。股票市场的momentum要弱于期货市场的momentum，它的趋势与股票相比更明显和低噪声。这些特征对于机器学习发挥作用都更加有利。
很可能国内一些交易执行算法的设计上就借鉴了机器学习。我们可以通过学习订单薄特征，对下一期盘口变化做一些概率上的预测，经过一定样本的训练之后，可以显著地提升算法表现。
而我仍谨慎看好深度学习等机器学习方法的原因在于，在认识市场上，现行的大部分方法与这些方法并不在一个维度上，这个优势让它们与其他方法相比，捕捉到更多的收益。也就是说，一个新的认识市场的角度才能带来alpha。

⑧ 机器学习怎样应用于量化交易

机器学习怎样应用于量化交易（一）

曾有朋友问过，国内现在量化领域机器学习应用的少，是否因为效果不如简单的策略。其实，把机器学习应用在量化交易上始终面临着两难，却并不是无解的两难。很多时候并不是机器学习不work，而是真正懂如何用正确科学的统计思维使用Machine Learning的人才太少。

机器学习涉及到特征选择、特征工程、模型选择、数据预处理、结果的验证和分析等一整套建模流程，广义角度来说就不单单是模型选择的问题。所以，如果认为“用支持向量机成功预测股票涨跌” 这样的研究，就是把机器学习应用于量化交易，这种狭义的认识无疑是买椟还珠，对机器学习领域散落遍地的珍珠视而不见。如果把机器学习的崛起放在历史进程中考量，无非就是趋势的延续：现在，可通过系统的数据分析证实过去模糊不定的经验，机器学习算法将未曾被察觉的规律得以浮现纸面。

在我看来，未来的发展概有两个方向：

1.针对量化交易的统计学习算法被提出，使其适合于噪声大，分布不稳定的金融数据分析；

2.对于机器学习的热情回归理性，从工具为导向回归到问题为导向。

针对如何以问题为导向，在机器学习算法中挑选合适的工具，分享一些思路。

1.多因子模型的因子权重计算

当我们在构建多因子模型且已经选定了一系列因子之后，要如何根据不同的市场情况调整各个因子的权重呢？在以往的研究中发现，与其它算法相比较，随机森林算法对于存在非线性、噪音和自变量共线性的训练集的分析结果更出色。所以，目前在多因子模型的权重上，采用当期收益率对上期因子进行随机森林回归分析，以确定下一期多因子模型的因子权重。

2.缺失值处理

处理缺失值在金融的量化分析中是个无可避免的问题。选取合理的缺失值处理方法，依赖于数据本身的特点、数据缺失的情况、其对应的经济学意义，以及我们需要使用数据进行何种计算。在尝试构建多因子模型时，我们选择了两种缺失值替换方法：（1）采用期望最大化算法来用同一变量的已知数据对缺失值进行极大似然估计。（2）把模型中包含的所有因子作为特征变量，并赋予其相同的权重，再采用机器学习中的K-近邻算法来寻找最相似的标的，保证缺失值替换后，不会强化一部分因子的影响力。

其实在量化领域，机器学习解决着线性模型天生的缺陷或弊端，所以还是有着很深的介入的。除去凸优化、降维(提取市场特征)等领域的应用，目前“非动态性”和“非线性”是两个重要的弊端。金融关系之间并非静态，很多时候也不是线性的。统计学习的优势此时就会体现出来，它们能够迅速地适应市场，或者用一种更“准确的”方式来描述市场。

在国内，机器学习在量化内应用跟领域有很大的关系，跟频率也有很大的关系。比如，CTA的运用可能就要多于股票，它处理数据的维度要远小于股票，获取市场的长度和动态又强于股票。股票市场的momentum要弱于期货市场的momentum，它的趋势与股票相比更明显和低噪声。这些特征对于机器学习发挥作用都更加有利。

很可能国内一些交易执行算法的设计上就借鉴了机器学习。我们可以通过学习订单薄特征，对下一期盘口变化做一些概率上的预测，经过一定样本的训练之后，可以显著地提升算法表现。

而我仍谨慎看好深度学习等机器学习方法的原因在于，在认识市场上，现行的大部分方法与这些方法并不在一个维度上，这个优势让它们与其他方法相比，捕捉到更多的收益。也就是说，一个新的认识市场的角度才能带来alpha。