การซื้อขายด้วยการสนับสนุนเครื่องเวกเตอร์ (SVM) (บทความนี้ตีพิมพ์ครั้งแรกใน Quintuitive » R. และมีส่วนกรุณา R-เขียนบล็อก) สุดท้ายดาวทั้งหมดมีความสอดคล้องและผมมั่นใจสามารถอุทิศเวลาให้กลับการทดสอบระบบการซื้อขายใหม่บางและการสนับสนุนเครื่องเวกเตอร์ (SVM) เป็นของเล่นใหม่ที่เป็นไปเพื่อให้ฉันไม่ว่างในขณะที่ จำแนกเป็นเครื่องมือที่รู้จักกันดีจากพื้นที่แห่งการเรียนรู้ภายใต้การดูแลเครื่อง และพวกเขาจะใช้ทั้งการจัดหมวดหมู่และการถดถอย สำหรับรายละเอียดเพิ่มเติมดูที่วรรณกรรม มันดูเหมือนว่าฉันที่แอพลิเคชันที่ใช้งานง่ายที่สุดสำหรับการซื้อขายคือการถดถอยเพื่อช่วยให้เริ่มต้นด้วยการสร้างรูปแบบการถดถอย SVM ต่อไปนี้ประสบการณ์ของเรากับ ARMA + GARCH รุ่นเราจะเริ่มต้นด้วยการพยายามที่จะคาดการณ์ผลตอบแทนของราคาแทน ในทำนองเดียวกันในการทดสอบครั้งแรกของเราเราจะใช้เพียงผลตอบแทน 5 วันที่ผ่านมาเป็นคุณสมบัติที่กำหนดการกลับมาของวันโดยเฉพาะอย่างยิ่ง เราจะเริ่มต้นที่มีประวัติของ 500 วันกับการฝึกอบรมที่กำหนด ในแง่ทางคณิตศาสตร์มากขึ้นสำหรับการตั้งค่าการฝึกอบรมที่เรามีคุณสมบัติที่ไม่มีข้อความสำหรับแต่ละของพวกเขาเรามีตัวอย่าง M นอกจากนี้เรายังมีการตอบสนอง M กำหนดแถวของค่าคุณลักษณะเมทริกซ์ซ้าย SVM จะได้รับการฝึกฝนในการผลิตค่าการตอบสนอง ในตัวอย่างที่เฉพาะเจาะจงของเราเรามีห้าคอลัมน์ (คุณสมบัติ) แต่ละคอลัมน์ที่สอดคล้องกับผลตอบแทนที่มีความล่าช้าที่แตกต่างกัน (1-5) เรามี 500 ตัวอย่างและการตอบสนองที่สอดคล้องกัน เมื่อ SVM ได้รับการฝึกฝนในชุดนี้เราสามารถเริ่มต้นการให้อาหารมันด้วยชุดห้าคุณสมบัติที่สอดคล้องกับผลตอบแทนสำหรับห้าวันก่อนหน้านี้และ SVM จะให้เรากับการตอบสนองซึ่งเป็นผลตอบแทนที่คาดการณ์ไว้ ตัวอย่างเช่นหลังจากการฝึกอบรม SVM 500 วันที่ผ่านมาเราจะใช้ผลตอบแทนสำหรับวันที่ 500, 499, 498, 497 และ 496 (เหล่านี้เรา 2C21 "/% เป็น input ที่จะได้รับผลตอบแทนที่คาดการณ์สำหรับวันที่ 501 จากแพคเกจทั้งหมดที่มีอยู่ใน R ฉันตัดสินใจที่จะเลือกแพคเกจ e1071 ทางเลือกที่สองคือใกล้แพคเกจ kernlab ซึ่งฉันยังคงวางแผนที่จะพยายามต่อไปในอนาคต แล้วฉันพยายามกี่กลยุทธ์ ครั้งแรกที่ฉันพยายามบางสิ่งบางอย่างคล้ายกับ ARMA + GARCH วิธีการที่ผลตอบแทนที่ล่าช้าจากที่ก่อนหน้านี้ห้าวัน ฉันรู้สึกประหลาดใจมากทีเดียวที่จะได้เห็นกลยุทธ์นี้มีประสิทธิภาพดีกว่า ARMA + GARCH (นี่เป็นดินแดนบ้านของ ARMA + GARCH และฉันจะได้รับความสุขมากเพียงกับผลการดำเนินงานที่เทียบเคียง)! ต่อไปผมจะพยายามที่จะคุณสมบัติเดียวกันห้า แต่พยายามที่จะเลือกชุดย่อยที่ดีที่สุด เลือกที่ได้รับการทำโดยใช้วิธีการโลภเริ่มต้นด้วย 0 คุณสมบัติและการโต้ตอบเพิ่มคุณลักษณะที่ช่วยลดข้อผิดพลาดที่ดีที่สุด วิธีการนี้จะปรับตัวดีขึ้นต่อสิ่ง สุดท้ายฉันพยายามใช้วิธีการที่แตกต่างกันเกี่ยวกับคุณสมบัติโหล คุณสมบัติที่รวมผลตอบแทนในช่วงเวลาที่แตกต่างกันของเวลา (1 วัน, 2 วัน, 5 วัน, ฯลฯ ) สถิติ (หมายถึงค่ามัธยฐาน, SD, ฯลฯ ) และปริมาณ ผมใช้วิธีการเดียวกันโลภเพื่อเลือกคุณสมบัติ ระบบนี้เป็นครั้งสุดท้ายที่แสดงให้เห็นผลงานที่ดีมากเช่นกัน แต่เอานรกของเวลาที่จะเรียกใช้ เวลาที่จะจบบทความนี้ผลการทดสอบกลับต้องรอ จนแล้วคุณสามารถเล่นกับรหัสที่มาเต็มรูปแบบด้วยตัวคุณเอง นี่คือตัวอย่างของการใช้มันเป็น: