机器学习方法是计算机科学的一个分支，它借助于计算机算法，对数据进行分析后，实现模式识别，进而实现对未来数据的预测。 机器学习方法可以分为以下几个类别： ####** 1.监督学习：** 训练的输出分类是预先设定好的，根据输入和输出，算法的目标在于寻找其中的对应函数。 ####** 2.无监督学习：** 训练的输出分类是预先不知道的。算法的目标在于发现数据中的结构，如聚类分析。 ####** 3.半监督学习：** 介于监督学习和无监督学习之间。 ####** 4.增强学习：** 算法通过执行一系列的动作，影响环境中的可观察变量，从而得到环境对动作反应的规律。最后根据这个规律，判断该采取何种行动以最大化 某种回报。 监督式学习是机器学习的一个分支，可以通过训练样本而建立起一个输入和输出之间的函数，并以此对新的事件进行预测。 ####** 典型的监督学习流程如下：** ![监督学习流程.png][1] ####** 支持向量机** 是监督学习中一种常用的学习方法。 支持向量机（ Support Vector Machines SVM ）是一种比较好的实现了结构风险最小化思想的方法。它的机器学习策略是结构风险最小化原则 为了最小化期望风险，应同时最小化经验风险和置信范围）。具体就不详细介绍了，百度有很多资料。 http://scikit-learn.org/stable/modules/svm.html#svm 中是SVM函数和简单介绍。 from sklearn.svm import SVR 可以构造支持向量回归（Support Vector Regression）模型 from sklearn.svm import SVC 可以用于分类（Support Vector Classification） 首先来看支持向量回归（Support Vector Regression）模型如何使用，下面是官网的一个简单例子。 http://scikit-learn.org/stable/auto_examples/svm/plot_svm_regression.html#example-svm-plot-svm-regression-py 下面这是利用官网例子的方法对股票数据进行回归建模，具体代码在研究中 ![下载.png][3] **从回归的角度，我们可以根据之前的历史数据，预测下一个时间点的股价；分类的角度，我们可以根据历史数据，预测下一个时间点股价的正负。** 那么如何在策略中使用呢？一个暴力的方法就是预测未来股价，如果涨了就买入，跌了就卖出。使用SVR进行回归预测，需要预测中未来股价，那么学习这种非平稳、噪声的股价序列难度是很大的。 ----------------- ####** 下面是个人想法，作为引子，欢迎大家一起讨论** ####** 特征选择** 查阅文献发现有各种因子应用到其中， 基本面因子：PE，PB，ROE等 技术指标因子：RSI、KDJ、MA、MACD等 蜡烛图形态因子：三乌鸦、锤子线等 ####** 输出** 股价 股价涨跌分类 未来一段时间收益率 ####** 还有一类用法是利用非监督学习甚至深度学习找到特征** 比如找到大涨的股票，然后看大涨前一段时间的形态有没有相似的，利用非监督学习的方法。这是下面我想进行的第一步研究。 套利是看股价的相关性，比如A和B两个标的价差一向稳定在10块钱，某天价差突然跌到5块钱，统计套利就假设，这个价差会恢复到10块钱，可以就此设计交易策略。如果股价价差真的恢复了，那么就可以实现套利。但是显然，这样的**关系可能不是那么明显地存在于股票的价格中，可能存在于收益曲线中或者方差曲线中，甚至更高复杂度的统计量中**。**深度学习提供了将原数据投影到另一个特征空间中的方法，而且是高度非线性的。那么，原数据中没有体现出来的相关性，会不会在这种高度非线性的投影空间中体现出来呢？** [1]: https://image.joinquant.com/666f741954f67e64ef9e8a0f19fb9e37 [2]: https://image.joinquant.com/b6c19fe4b14e1258ac5b27e777a928cb [3]: https://image.joinquant.com/da7a694a246906c52aa90278bfbcb444