基于支持向量机的量化择时研究文献综述

1. 文献综述（或调研报告）：

1、股价预测方法综述

目前，股价预测的方法大致有三种：基本面分析，技术分析法，统计模型分析法，数据挖掘法。其中基本面分析主要是通过计算公司的内在价值去判断证券价格是否被错误估值，如果被低估则做多，若被高估则做多。但是使用内在价值进行投资，通常公司绩效反应在股价上升也是需要一定的时间的，所以对于择时策略来说，基本面分析法无法给到比较好的启示作用。

技术分析法预测股价的主要依据是该证券在历史中的表现，与基本面分析法相反，技术分析法完全不关注股票的内在价值。Charles.H.D（1985）创立了著名的道琼斯指数，后出版《道氏理论》，成为技术分析中著名的理论之一。此外以波浪理论为代表的形态理论也作为重要的技术分析手段。技术分析方法能够成立的重要前提是市场尚未达到有效市场，中国证券市场起步于上个世界九十年代初期，2005年孙碧波等人对中国市场进行研究发现，中国市场还未达到弱势有效市场，因此，通过历史的交易行为来进行价格的预测在我国市场仍然能够获得超额收益。

统计模型主要依靠时间序列的分析方法，对历史数据进行研究来发现数据的变化规律。1927年Yule在研究时间序列平稳性的过程中第一次提出了自回归模型（AR），在自回归模型的基础上又提出了移动平均模型（MA），经过对两种模型的研究和应用，G.P.Box和G.M.Jenkins提出了ARMA，自回归移动平均模型。此外常用的预测模型有：ARFIMA,ARCH,GARCH模型等等。

数据挖掘方法主要包括支持向量机模型和神经网络模型。支持向量机模型会下下文重点介绍所以这里首先概述神经网络模型的发展和基本原理。计算机通过模拟神经元的主要结构，生成互相接连的神经网络，并模拟神经冲动传递的方式，样本从上而下的尽心个传递，而后审核经验风险与期望风险，如果风险较大，则对每一个层级的权重进行修改，直到得到的结果与预期的风险接近。陈仓（2017）研究了深度学习在量化投资的应用，发现神经网络方法较一般方法对数据的挖掘更加深入，预测精度较为稳定，因此应用神经网络的股价预测具有较强的推广能力。吴桂雯于（2017）发现，相比于传统统计模型，神经网络的预测更加精确，尤其对于股票的长期变动的预测，更体现了其优势。

2、支持向量机研究综述

近年来，支持向量机（SVM）已被广泛应用于股票市场趋势预测的预测模型。L.Yu等 （2005，2009），提出了一种演化最小二乘支持向量机学习范式，利用混合核来探索股市的移动方向，使用遗传算法（GA）用于特征选择和系统参数确定。同样，R.Choudhry等（2008）和V. Khatibi等（2011）也将GA和SVM混合使用以预测股票价格的未来方向。 C.-J. Huang等（2008）运用集成包装方法和SVM来预测韩国和台湾股市的趋势。 L. Ni等（2011）混合分形特征选择方法和支持向量机预测日股票价格指数的方向。 S. Lahmiri（2011）使用格兰杰因果关系检验和SVM预测股市的每日趋势。 X.-S.Sui等人（2007）将支持向量机的分类复杂度作为特征变量选择标准，并使用选择的特征子集来预测上海证券交易所综合指数T.Zhang等（2008）结合了粗糙集（RS）和SVM以选择特征子集并预测Samp;P 500指数。 M.-C. Lee（2009）提出了一种基于混合特征变量选择方法的支持向量机模型来预测股市趋势。尽管这些现有的预测模型对股票市场的预测是有效的，并且在股票市场趋势预测上产生了良好的性能，但是，还有三个方面可以改进。

首先，在预测模型中，当在高维和高噪声数据集中使用灵活的非线性核时，支持向量机通常会在过度拟合问题上承担巨大的麻烦。它可能会影响SVM的泛化性能。当将SVM用于股票市场趋势预测时，从业人员通常会忽略SVM的上述限制。由于金融数据具有高波动性，高维度和高噪声的特征，因此可能会在金融数据中出现过度拟合问题。

其次，在特征变量选择中，尽管这些变量的选择方法能够有效地减少金融数据集的维度和噪声，但是它们有其局限性，无法精确选择包含与输出高度相关但彼此不相关的变量的变量子集。

第三，在现有的股票市场趋势预测系统中，通常只关注变量选择和预测模型，而忽略了对特征变量的评估。尽管已经进行了一些有关变量评估的研究，但是这些方法受到主观因素和多重共线性的影响。