人工智能选股之支持向量机模型 华泰人工智能系列之三
创建于 更新于
摘要
本报告系统测试了线性核、多项式核、高斯核和 Sigmoid 核等多种支持向量机（SVM）及支持向量回归（SVR）模型在多因子选股中的应用。结果显示，高斯核 SVM 模型在沪深 300、中证 500 和全 A 股中均能实现较高的超额收益率（最高达21.1%），且信息比率明显优于线性回归和其他核函数，尽管回撤表现未显著改善。参数寻优采用网格搜索，选取交叉验证集最佳参数。分层回测、行业与市值区间表现均较优，且SVM模型预测值与多种交易因子相关，有效捕捉市场非线性特征。整体来看，高斯核支持向量机在多因子选股策略中展现稳定的盈利能力，优于支持向量回归和多数其它核函数支持向量机。报告同时探讨了PCA预处理的影响及固定训练集滚动训练集策略区别，为机器学习在量化选股领域的应用提供了重要参考。[pidx::0][pidx::3][pidx::14][pidx::16][pidx::21][pidx::28]
