谨请参阅尾页重要声明及华泰证券股票和行业评级标准 1
证券研究报告
金工研究/深度研究
2017年08月04日
林晓明 执业证书编号：S0570516010001
研究员 0755-82080134
linxiaoming@htsc
陈烨 010-56793927
联系人 chenye@htsc
1《金工: 华泰价值选股之相对市盈率港股模
型》2017.07
2《金工: 人工智能选股之广义线性模型》
2017.06
3《金工: 全球多市场择时配置初探》2017.06
人工智能选股之支持向量机模型
华泰人工智能系列之三
本报告对各种核支持向量机模型以及支持向量回归进行系统测试
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，并分析它们应用于多因子选股的异同，希望对本领域的投
资者产生有实用意义的参考价值

支持向量机模型的构建：样本内训练与交叉验证、样本外测试
支持向量机模型的构建包括特征和标签提取、特征预处理、样本内训练、
交叉验证和样本外测试等步骤。最终在每个月底可以产生对全部个股下期
上涨概率的预测值，然后根据正确率、AUC等指标以及策略回测结果对模
型进行评价。我们还根据模型的预测结果构建了沪深300成份内选股、中
证500成份内选股和全A选股策略，通过年化收益率、信息比率、最大回
撤等指标综合评价策略效果

高斯核支持向量机选股模型收益和信息比率的表现优于线性回归
对于沪深300成份股内选股的行业中性策略（每个行业选6只个股），高
斯核SVM模型的超额收益为4.9%，信息比率为1.22。对于中证500成份
股内选股的行业中性策略，高斯核SVM模型的超额收益为9.0%，信息比
率为2.37。对于全A选股的行业中性策略，高斯核SVM模型相对于中证
500的超额收益为21.1%，信息比率为3.66。总体而言，高斯核SVM在
收益和信息比率方面表现不错，各种策略构建方式下都能稳定地优于线性
回归模型；最大回撤方面SVM模型相比于线性回归不具备明显优势

高斯核支持向量机模型预测能力整体强于其它核支持向量机
我们比较了不同核支持向量机的预测能力，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。我们的回测结果也印
证了这一点，通过交叉验证集调参，最终得到高斯核SVM全A选股模型
的测试集正确率为56.25%，高于线性核（55.66%）、3阶多项式核
（53.75%）、7阶多项式核（50.03%）和Sigmoid核（55.66%）。我们同
时发现支持向量机的回测表现优于支持向量回归

风险提示：通过支持向量机模型构建选股策略是历史经验的总结，存在失
效的可能

相关研究
金工研究/深度研究 | 2017年08月04日
谨请参阅尾页重要声明及华泰证券股票和行业评级标准 2
正文目录
本文研究导读 ........ 4
支持向量机介绍..... 5
线性支持向量机 ......... 5
最大间隔分类 ..... 5
松弛变量6
惩罚系数C ........ 7
支持向量回归 ..... 7
核支持向量机8
非线性分类 ........ 8
核函数 .... 8
γ值 ...... 10
模型评价指标 .......... 10
支持向量机模型测试流程 .........
。。。以上简介无排版格式，详细内容请下载查看