Adaboost-SVM多因子選股模型

王倫

摘 要：近年來，機器學習技術在完善傳統金融投資模型中的應用受到了學術界和金融界的廣泛關注。以滬深300股票為研究對象，利用Adaboost提高原線性支持向量機的分類能力，結合所有主要因素構建基于Adaboost增強的Adaboost-SVM多因子選股模型。在回測分析中，將原始線性支持向量機的選股策略與基于Adaboost增強的Adaboost-SVM多因子選股策略進行了比較。結果表明，基于Adaboost增強的Adaboost-SVM多因子選股策略比原始算法模式具有更強的盈利能力和更小的收入波動。

關鍵詞：多因子選股;Adaboost;SVM

中圖分類號：F830.91? ? ? ? 文獻標志碼：A? ? ? 文章編號：1673-291X（2019）10-0107-02

一、理論模型

1.支持向量機。SVM算法是根據訓練樣本找到最優超平面的過程。在二維坐標點的情況下，SVM算法是找到一條直線來分離兩種類型的坐標點。然而在這些無數條線中，如果它們太靠近坐標點，噪聲干擾將對分類結果產生很大影響。因此，我們可以定義SVM算法是找到離訓練樣本最遠的線，也稱為最佳直線。消除優化過程的推導，產生的優化問題是：

2.Adaboost模型。Adaboost是一種迭代算法，其核心思想是在同一訓練集的目標下訓練不同的弱分類器，特別是對難以準確分類的數據進行重復訓練，然后收集所有弱分類器以形成更強強分類。Adaboost算法本身是通過改變數據的布局來實現的，它通過樣本的分類在訓練集中是否正確以及通過上次總分類準確率，這使得難以分類的數據得到了培訓。發送帶有修正權重的新數據集，由Bottom，classifiers訓練，最后將從每次訓練中獲得的分類器聚合為最終決策分析器。

3.基于Adaboost的增強型Adaboost-SVM選股模型。首先調用12個月的股票數據，設定權重D1（1），N作為樣本的數量，選取的數據為每月第一天的收盤價，然后得到SVM分類器。接下來，最終的Adaboost-SVM算法可表示為：

二、實證分析

1.基于SVM原始選股策略模型的測試。在不考慮非線性分析的情況下，從Adaboost算法、傳統回歸方法、SVM算法中得出長短投資組合凈值的對比（見圖1），可以看到，SVM算法的最終凈值最高，而其波動度低于傳統的回歸方法。

2.基于增強Adaboost的Adaboost-SVM選股模型測試（如圖2所示）。

與上述傳統的SVM算法相比，基于Adaboost的增強型Adaboost-SVM算法分類模型的長短策略的利潤凈值顯著增加，這意味著它整體上優于傳統的SVM模型。

三、總結

本文對多因素選股策略進行了新的嘗試——基于增強Adaboost的Adaboost-SVM算法分類，每個因素的每個因素都具有特征，具有68個因子的維度，Adaboost-SVM算法可以有效地對投資組合的標簽進行分類和預測。與線性支持向量算法的主動組合凈值相比，Adaboost-SVM算法產生更高的凈值利潤。對于模型的進一步方向，純SVM算法對二元分類問題有更好的效果，盡管從實踐的角度來看，對于多個或連續的分類變量，它沒有達到更好的回測結果，但是，Adaboost算法的思想也適用于多變量或連續變量問題。因此，Adaboost-SVM算法的組合值得進一步研究和測試多變量問題。

參考文獻：

[1]? Huang Qin.Research on the application of support vector machines in China a-share market quantitative strategy based on fama-fench three-factor model[J].Times Finance，2017，（11）：172-173.

[2]? Dong Zhi-qiang，Liu Yong-nian&Wei Li-hua.Fault detection of automatic car equipment based on AdaBoost and SVM combination[J].Electronics World，2018，（2）：17-19.