SVM预测市场论文

在文章“Analysis of Hidden Markov Models and Support
Vector Machines in Financial Applications”， 作者利用SVM预测sp500过去30天的买卖方向，在文章第二部分的结尾处，作者说这个方法可以达到70%的准确率。

 

扫了一眼，初看感觉跟我的想法蛮近的～～
再多读了几分钟，看来他是在用HMM和SVM等各种单一方法，对市场进行预测。这个想法我也考虑过，不过我觉得单一方法直接预测都有各自的弊端。
我后来在另一篇语音识别的paper里面受到点启发，我觉得可以用SVM做形态识别，HMM做序列识别。两者结合在一起可能效果会更好。当然形态识别那里还有许多别的替代品，倒谱，小波变换，以及各自的结合等等都是可以考虑的方法～

好想马上就开始这些研究... ...

 

最重要的是资金管理～单纯的预测就好比是看着后视镜开车。
不过也没必要因为这句话而否定预测的价值。只要市场不是完全随机，预测还是有用的～

 

完全同意，现在我对于预测已经不那么执着了

 

SVM是支持向量机吗？
形态学在中国的预测准确性是，下跌有效 ，上涨反转无效，建议你看一下，清华大学的两位谁谁发表在经济研究上的《K线形态预测效力分析》这篇文章

 

《K线形态预测效力分析》没找到这篇文章。

 

svm支持向量机， 如果核函数选得好，被认为是比其它方法较好的一种预测方法。

 

SVM预测时间序列是不可能多准确的，这种方法和传统的AR,MR,ARMA比起来也没有优势，套着非线性建模外壳，其实效果和AR,MA，这些方法比起来没有实质性的提高。

 

核函数的好坏对测试的结果影响很大吗？
学术的文章一直都在回避核函数的选择问题，我记得只有极少数文章讨论过，结论是没有明显影响的，而且至今没有理论指出不同核函数的应用场景，大多情况下就默认高斯核了

 

svm的特点是针对高维小样本问题有较好的表现，而且假设样本服从iid，比如文本分类，图像识别等任务svm会非常适用。而时间序列数据大多是序列相关的，也就是所谓的ar,ma，当然svm在适用性有一定的折扣了。

 

剥头皮的准确率不高……它们以扛单为生。

 

svm和其他模式识别工具一样，单纯就预测准确率来讲是可以调整到很高的，特征和模型参数起主要作用。我曾用svm预测A股第二天的涨跌，有些股票真的很准（有时候弱市一天就几只股票涨，模型能够抓住），但是有时候又不准（好像是大家说的模型失效问题，我用的训练成功的模型每一个都是经过历史数据严格cross validation的）。至今不得其解，哪位大侠要是知道原因，还望指点一二，多谢。

 

还是有提高的，泛化结果达到60准确率很轻易的

 

简单的讲就是止损太大，策略的σ不理想

同时，我回过头又看到了这篇论文，必须再说两句：
testdata是30天不说，它的结果只是"up to 70%"
它的这70%应该是table10里的sp_500的70%（注：他对这个原本67%的结果进行了C/G优化）
比较搞笑的一点是，这个表里有十个其他股票的数据，平均预测准确率是60.67%，而sp_500就这么简单的从没有news的53.33%蹦到了70%
如果让他再预测30天，结果肯定不是这样了

 

光看准确率是没用的，还要看盈亏比，但这两者是一对矛盾，准确率很高往往意味着低盈亏比，也就是说只要有一笔亏损，就会把前面的盈利全部清零。

 

“准确率”不等于“盈利率”，在只追求准确率时，盈亏比默认为1，且不可能有太大的偏差。