机器学习白皮书系列之一:监督学习的方法介绍及金融领域应用实例

机器学习系列报告。

    本系列报告试图系统全面性的介绍各种不同的机器学习方法,并且结合具体的在投资研究领域应用实例、交易策略及code示例,说明其应用情景和实现方法。

    机器学习的方法可以分为以下几类:监督学习、无监督学习、深度学习及其他机器学习方法(例如强化学习),对应到具体的模型上数量则更是繁多,目前大部分机器学习模型并未广泛的应用在投研领域,因此本系列主要偏重于在投研领域有应用潜力的模型及方法。此篇将以介绍监督学习方法为主。

    监督学习模型之回归类模型及其应用。

    与普通线性回归不同,监督学习中的惩罚回归模型和非参数回归,可以分别用于处理输入变量中存在大量线性相关性关系及非线性关系时的情况。惩罚回归模型中金融领域使用得较多的有Lasso回归、岭回归和弹性网络回归;具有代表性的非参数回归模型则有:K最近邻、LOESS及卡尔曼滤波器。同时,也用到两个实例来说明了惩罚回归模型在拟合中的优势,以及卡尔曼滤波器使用时对于趋势判断、状态分辨的灵敏性。

    监督学习模型之分类模型及其应用。

    回归模型可以通过模型拟合进行样本外数据预测,得到具体的预测值。但是在金融领域很多问题不需要得到具体的值,得到目前的状态类型或者相对强弱位置即可。因此,分类模型应用非常广泛。此篇,我们将介绍以下分类算法:逻辑回归、支持向量机(SVM)、决策树、随机森林以及隐马尔可夫模型。前面四种模型我们将会给出具体的择时和选股上的实例,隐马尔科夫模型我们则是验证其对于国内A股市场的状态划分是否有效。

    监督学习模型的总结和比较。

    我们介绍的几种模型的共同特点是模型中都会要求有一个训练期(样本内)和预测期(样本外),通过训练期来找到最优参数,拟合非线性关系,然后在预测期内进行应用。不同模型的主要应用情景不同,具体可以参考我们给出的不同模型的实例。后面将会陆续介绍非监督学习和深度学习的方法及具体应用情景,并从模型中延展开来,持续追踪人工智能和大数据领域的发展状况及应用实践。