首页   注册   登录
V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python 学习手册
Python Cookbook
Python 基础教程
Python Sites
PyPI - Python Package Index
http://www.simple-is-better.com/
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
datayes2015
V2EX  ›  Python

涨跌幅度分级,使用 SVM 分类预测

  •  
  •   datayes2015 · 2016-10-26 23:34:59 +08:00 · 2335 次点击
    这是一个创建于 1186 天前的主题,其中的信息可能已经有所发展或是发生改变。
    根据回报率简单分了 5 级
    做多最高预测回报率股票
    更新止损和股票筛选

    简单说明

    开始的时候想做一个 ZZ800 成分股的小策略,然后受制于性能限制,我也懒得自己造轮子,就改成 SH50 了
    今天有空对 SH50 成分股简单优化了一下参数
    本文不涉及信号的理念、产生、筛选、处理相关方面

    策略假设

    1 股票池里面股票涨跌幅度符合标准正态分布
    3 假设股价是一个电梯运动轨迹,上升一层(一个价格区间),回调几层(另一个价格区间),那么在未来一段时间( 10~20 天)内股价会有所表示。
    更长时间的股票涨跌趋势涉及更多的信息层面和更多分类的信息处理不考虑。
    4 指标在不同的市场行情投资心态下使用不同的参考标准,过去 3 ~ 4 月内的投资心态在短期内会有顺延趋势

    然而效果并不好: https://uqer.io/community/share/57ff4e54228e5b3658fac3f5

    资金流入 = 资金流出 + 永久性损耗(税、佣金等)
    大致上还是符合正态分布的




    上证 50 指数的 K 线
    几乎没有什么涨跌幅度

    简单看一下过去一段时间 SH50 10 天收益率波动: https://uqer.io/community/share/57ff4e54228e5b3658fac3f5



    将波动率范围简单分级看一下: https://uqer.io/community/share/57ff4e54228e5b3658fac3f5




    成分股看一下: https://uqer.io/community/share/57ff4e54228e5b3658fac3f5


    简单测试一下效果: https://uqer.io/community/share/57ff4e54228e5b3658fac3f5


    看一下年化收益率: https://uqer.io/community/share/57ff4e54228e5b3658fac3f5




    做成滚动策略看看效果: https://uqer.io/community/share/57ff4e54228e5b3658fac3f5

    4 回复  |  直到 2016-10-28 17:19:24 +08:00
    zhangfanfan
        1
    zhangfanfan   2016-10-27 00:11:40 +08:00
    mark
    BingoXuan
        2
    BingoXuan   2016-10-27 08:21:01 +08:00 via iPhone   ♥ 1
    之前做过 SVM 的课题,即便在样本量足够大的情况下,不同的核函数选择会导致结果相当大的差异。即使选好了核函数,细小参数差异也对结果有显著影响。想要玩溜的话,个人感觉还是最好自己写一个优化过的核函数
    对于量化策略我都是会再跑 n 次混入不同极端情况的蒙特卡洛模拟
    datayes2015
        3
    datayes2015   2016-10-28 16:32:25 +08:00
    @BingoXuan 好嘞,多谢指导,我再跑几次:)
    menc
        4
    menc   2016-10-28 17:19:24 +08:00
    @BingoXuan
    通俗地讲,这说明 SVM 算法 overfit 太容易了
    关于   ·   FAQ   ·   API   ·   我们的愿景   ·   广告投放   ·   感谢   ·   实用小工具   ·   746 人在线   最高记录 5168   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.3 · 28ms · UTC 22:58 · PVG 06:58 · LAX 14:58 · JFK 17:58
    ♥ Do have faith in what you're doing.