机器学习算法对中国A股的适应性比较

摘要：在投资领域中，先后出现过诸多派别，有以基本面分析为主的，以巴菲特为特例。有以技术分析为主的，以约翰.墨菲为特例。近年来，随着计算机技术的不
断发展，欧美市场早已出现了一股量化投资风潮，并且不断壮大，该投资派别以詹姆斯.西蒙斯为代表。量化投资以其稳定、理性、概率取胜为优势，占领着投资领域的主流风潮。机器学习是数据挖掘领域的前沿技术，机器学习诸多算法以其严密的逻辑对训练数据进行特征学习，再将学习到的经验特征用于预测。而在投资领域，成功
预测未来走势是投资成功的不二保障。已有诸多学者尝试过将机器学习各大算法运用于量化投资领域，有的取得了不菲的成效，也有投资者因为方式选择不当而导致投资失败。失败的原因主要在于不同的算法对于不同的数据具有不同的适应性。而证券市场的数据是千变万化的，不同走势，不同品种，都将产生具有不同特征的数据。本文将试图对七种机器学习算法在中国 A 股市场的效果作一个比较，结果显示，对于次日涨跌预测，上涨趋势当中，SVM 算法最优，下降趋势当中，随机森林算法最优，盘整走势当中，各大算法表现平平；对于次日高低开预测，上涨趋势当中，决策树算法最优，下降趋势当中，神经网络算法最优，盘整走势当中，逻辑回归算法与 SVM算法最优；对于不同品种次日涨跌预测，在工业股与农业股中，朴素贝叶斯算法最优，对于服务业股，逻辑回归算法最优，对于高科技产业股，支持向量机算法最优；对于不同品种次日高低开预测，逻辑回归算法几乎都是表现最优，只有在高科技产业股中 SVM 算法表现略好于逻辑回归算法。

关键词：量化投资；机器学习；走势类型；投资品种；适应性。