matlab实战期货

1.引言

择时交易是指利用某种方法来判断大势的走势情况，是上涨还是下跌或者是盘整。如果判断是上涨，则买入持有；如果判断是下跌，则卖出清仓；如果判断是震荡，则进行高抛低吸，这样可以获得远远超越简单买入持有策略的收益率，所以择时交易是收益率最高的一种交易方式。

支持向量机（SVM）择时认为股票市场中金融规律复杂、影响因素太多，大量的信息直接产生的关系往往是非线性的，传统数学模型还需要苛刻的假设，无法很好的进行描述。而SVM作为数学挖掘领域应用于模式识别的新技术，克服了传统统计模式识别的缺点，具备良好的机器识别能力。本篇文章是参考参考东证期货《基于SVM 模型的期货择时交易策略》进行策略的复现。

2.支持向量机基础知识

1.1 线性支持向量分类机

1.2 非线性支持向量分类机

3.模型构建

支持向量机按标签Y是否连续可以分为分类模型和回归模型，当标签Y与特征X之间存在时间跨度时支持向量机也是预测模型。而择时模型的本质就是通过某些特定的特征X来预测未来某个时间点的某个特定对象的涨跌。

从投资周期和时间的维度看，择时策略可以分成日内择时、日频择时、周频择时等。日内择时就是加工分钟甚至秒级别价、量信息，然后发出日内买卖信号；日频择时是每日收盘发出买卖信号，指导下一个交易日的买卖操作；周频择时自然就是每周末发出信号指导下周的操作。除了日内择时外，几乎所有的日频、周频择时策略都难以突破“胜率与赔率，两者不可兼得”的魔咒。量化择时策略兼顾信号次数的频繁性和胜率的关系，通常而言，信号越频繁，出错概率就越大，策略的胜率就会越低。同时量化择时策略是一个beta型的策略（大盘涨择时净值也涨，大盘跌择时净值也很难涨），因此它不可避免的有回撤。

模型的基本流程：①收集数据，选择不同的指标（基本的历史行情信息，开盘价、收盘价、最高价以及最低价等）构成特征矩阵；②基于金融序列的性质进行特征提取；③训练SVM，参数可以给定、网格法寻优、PSO寻优、GA寻优等；④模型评价，统计学中通常是利用分类准确率来衡量模型的好坏，对择时模型需要建立回测阶段，整体衡量择时模型。我们针对沪深300股指期货进行择时交易，建立日频的交易策略，参考东证期货《基于SVM 模型的期货择时交易策略》。

3.1 特征选取和处理

机器学习中选取特征类似量化策略中选取因子，是关乎模型好坏最关键的部分，其次是参数的设定。在《基于SVM 模型的期货择时交易策略》中构建了两种类型的特征。

最终得到的结果看第一种表现较好一些，这里我选择先复现一下特征集合A的12个特征，日后可以添加一些其他的特征进行回测，构建更好的特征集。

关于Dimension reduction（降维）分为特征选择（feature selection）和特征提取（feature extraction）。特征选择是在原有特征中选择出显著的特征（重要特征），特征提取是在原有特征的基础上总结得到新的特征（类似主成分），将原始特征转换为一组具有明显物理意义或者统计意义或核的特征。特征选择常用的方法有过滤式、封装式、集成式，特征提取常用的方法有PCA等。

金融序列之间通常存在相关性需要进行数据预处理，上述研报用PCA进行降维。从主成分累积共享图可以看出，4个主成分的累积共享已达到95%以上，这些特征之间的相关性较大，之后可以增加一些特征相关性较低的指标进行改进。

3.2 数据标签

当数据特征为第n天的数据值时，用第n+1天的涨跌作为标签值以达到预测得到目的，涨（第n+1日收盘价>第n日收盘价）记为+1，跌（第n+1日收盘价<第n日收盘价）记为-1。在AT回测过程中开平仓操作都是对今日进行的，因此特征值构造时数值以昨天作为基准。

3.3 训练集和测试集

构造择时模型与普通的分类模型不同，因为金融数据是实时更新的，因此训练集样本也是增量变化的，为了节约每次的训练时间，我们用动态模式来看待择时模型。测试集为第n+1天（即回测当天），训练集为过去的n天，训练集的样本个数在整个过程中不发生变化但样本却实时更新，这里的n就是研报提到的滑动窗口，关于滑动窗口大小的选取可以根据回测结果好坏进行讨论，不同的回测策略所对应的最佳窗口大小不同。本文暂时给定n=25。（这里如果不考虑样本量增加带来计算时间成本的上升，也可以将训练集设定为样本总量不断增加，也就是从初始日期开始到当前回测天前的一天都作为训练集，不进行滑动处理而进行增量学习。）

4.模型实现和回测

模型的数据和回测均基于Auto-trader软件，SVM的实现需要事先安装MATLAB的libsvm工具箱。

数据获取：回测当日为测试集，回测前n天为训练集。为了构造出测试集和训练集至少要读取回测日前n+20天的数据进行运算（因为有的特征为前20天平均）。而这里n我们暂时取为25天，之后可以对n的取值进行讨论，这里一天指的是一个交易日。

策略运算部分：数据未进行归一化，用pca进行降维，svm参数给定（pso也可但运算时间较长）

回测策略：标的资产为沪深300股指期货，买入信号为今日收盘价预测为上涨时建仓买入，卖出信号为今日收盘价预测为下跌时平仓，每次交易固定份额100份，回测时间取20160101-20161001。

回测结果：

结果分析和改进：策略表现一般，而且不够稳定，需要进一步设置止盈止损。本文目前着重于策略实现没有增加做空策略，而且在没有对特征的选取、滑动窗口的选取和止盈止损策略进行讨论，日后可以继续改进。

策略实现：具体代码可见策略资源，基于SVM的股指期货择时策略

https://www.digquant.com.cn/stra.php?mod=model&pid=230