想了解更多精彩內容，快來關注AI量化投資

支援向量機（Support Vector Machine， SVM）是一類按監督學習（supervised learning）方式對資料進行二元分類的廣義線性分類器（generalized linear classifier），其決策邊界是對學習樣本求解的最大邊距超平面（maximum-margin hyperplane） 。SVM使用鉸鏈損失函式（hinge loss）計算經驗風險（empirical risk）並在求解系統中加入了正則化項以最佳化結構風險（structural risk），是一個具有稀疏性和穩健性的分類器 ［2］ 。SVM可以透過核方法（kernel method）進行非線性分類，是常見的核學習（kernel learning）方法之一

向量機的核心技術就是可以將散亂的資料對映到高維空間然後進行非線性分類，先使其線性可分然後尋找分離超平面。

按照《量化投資策略：多因子到人工智慧》資料中的步驟，搭建機器學習模型，選擇支援向量機演算法（SVM），構建包括特徵和標籤提取、特徵預處理、樣本內訓練、交叉驗證和樣本外測試等步驟。最終在每個月底可以產生對全部個股下期上漲機率的預測值，然後根據正確率、AUC 等指標以及策略回測結果對模型進行評價。我們的模型設定為月頻換倉，為了讓模型及時學習到市場特徵的變化併兼顧計算效率，我們採用了滾動回測方法，即從 2016年5月1開始，每月底重新構建一次模型，在下一月進行測試。我們還根據模型的預測結果構建了滬深300成份內選股和中證500成份內選股策略，透過年化收益率、夏普比率、最大回撤等指標綜合評價策略效果。

中證500標的收益60%，同期指數15%，超額45%，夏普比率2。58，最大回撤33%。

滬深300標的收益170%，同期指數45%，超額125%，夏普比率2。27，最大回撤28%。

向量機在分類方面有很大的優勢，是目前機器學習二分類中最好的分類器。但從應用在股票投資上來看，效果只能算是一般，可能因為沒有經過最佳化的原因，後續我們會對其進行最佳化，再看效果。請大家關注我們。