参考

Python机器学习算法与量化交易
利用机器学习模型，构建量化择时策略

机器学习简介

机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。

机器学习的常见算法包括：决策树、朴素贝叶斯、支持向量机、随机森林、人工神经网络、深度学习等。

策略简介

输入沪深300的行情数据到支持向量机中进行模型训练，预测沪深指数第二天的涨跌。

Why SVM?
因为数据集为沪深300的日线行情数据，总共只有几千个交易日（样本点），而SVM的小样本预测准确率较高，并且能够解决非线性分类问题，所以比较适合。

SVM简介

SVM最初的设计用来解决二分类问题（比如沪深指数的涨和跌），通过寻找一个最大间隔超平面（图中黑色斜线）将两类样本线性区分开，并保证两侧样本的最近边缘点到这个平面的距离最大，由于最大间隔超平面仅取决于两个类别的边缘点，例如上图中被红线和蓝线穿过的红点和蓝点，这些点就被称为支持向量。
数据集并非总是线性可分的，如下图。

对数据非线性可分的情况，SVM引入了核函数，将低维不可分的数据映射到线性可分的高维，如下。

常用的核函数有
但在现实当中，由于噪声和极端样本点的存在，数据集无论在低维还是高维都可能出现线性不可分的情况，于是乎，SVM当中引入了松弛变量的概念，允许了最大间隔超平面不用完美区分两个类别，允许错误分类的存在，SVM通过惩罚系数C控制这些错误分类的容忍程度，C值越高分类准确率越高，但数值过高容易导致过拟合，C值过低则会导致准确率受损。

整体流程

收集数据

准备数据

建立模型

训练模型

测试模型

调节参数