标题：金工：人工智能选股之支持向量机模型

1楼

封存发表于：2017/8/9 10:50:00

　支持向量机(SVM)是应用最广泛的机器学习方法之一。线性支持向量机能够解决线性分类问题，核支持向量机则主要针对非线性分类问题，支持向量回归能够处理回归问题。本篇报告我们将对包括线性核、多项式核、高斯核和Sigmoid核在内的各种核函数支持向量机以及支持向量回归进行系统性的测试。通过比较不同核支持向量机的预测能力，我们发现高斯核SVM的测试集正确率、AUC和回测表现普遍优于其它核函数。高斯核作为使用最为广泛的核函数，其优势在于不对原始数据做太多的先验假设。针对选股策略构建，高斯核SVM模型在收益和信息比率方面表现不错，基本上稳定地优于线性回归模型；最大回撤方面相比于线性回归不具备明显优势。同时，支持向量机的回测表现优于支持向量回归。。

共1 条记录, 每页显示 10 条, 页签: [1]