导语：本周精选了5篇量化研究相关文章，其中涉及支持向量机、监督式学习、分类器等机器学习知识和深度学习在量化交易领域中的理论研究和应用现状，其中在支持向量机方面分别有一篇入门指导和量化应用。BigQuant拥有海量的数据和主流开源AI框架，赋能每一位爱好机器学习/深度学习和量化交易的人。

• 《深度强化学习：金融信号表征和交易》
  

原文：《Deep Direct Reinforcement Learning for Financial Signal Representation and Trading》
关键词：深度学习，金融信号处理，神经网络，增强学习


本文构造循环神经网络用于实时金融信号处理和交易。模型中学习系统包含两个相关的学习概念：深度学习(DL)和增强学习(RL)。在框架中，DL部分负责自动感知动态市场，获取有价值的特征；RL部分负责处理特征，做出有利于积累收益的交易决定。该神经系统的鲁棒性在广泛的测试环境里，包括股市和商品期货市场中都被验证有效。本文构建模型采用方法主要有两个创新点：1.构建模型无需设定技术指标或者因子，可自动选取特征；2.在深度学习模型中添加模糊学习，有助于削弱初始数据中的不确定性。

• 《训练分类器——基于充满噪音的标签分布》
  

原文：《 Learning from Noisy Label Distributions》
关键词：机器学习，标签分布，变分贝叶斯


本文试图解决机器学习中的一个普遍问题：基于充满噪音的标签分布来训练分类器。在此问题中，每个样本拥有特征向量，属于某个或某几个组。可获取信息为：每个组中样本的标签分布，且标签分布被未明噪音干扰。研究目标为：1.估计现有样本的真正标签，2）训练分类器，可预测新样本标签。本文构建概率模型，可以获取组样本标签和代表噪音的参数。该模型基于变分贝叶斯方式训练得到。数值试验表明，该模型比现有模型在预测样本正确标签上表现更优。

• 《支持向量机教程：从示例中学习SVM》
  

原文：《Support Vector Machine (SVM) Tutorial：Learning SVMs from Examples》
关键词：支持向量机，分类，核函数


SVM已经在各领域应用超过50年，解决诸如回归，孤立点分析和排序等问题。本文概述SVM工作思想，帮助理解SVM工作流程。作者解释了SVM中分类的概念，并指出分类效果的好坏如何判断。在线性数据分类时，SVM可以直接得到很好的分类结果或通过控制C值得到分类结果。若数据非线性，一般需要利用核函数，构造高维空间，找到“超平面”作为分类函数。本文还介绍了SVM函数库libSVM和学习资源，以供读者进一步学习。

• 《应用人工神经网络预测股价和改进指数预测》
  

原文：《Applying Artificial Neural Networks to prediction of stock price and improvement of the directional prediction index》
关键词：人工神经网络，股市，价格走势


本文结合经济和金融理论，基于技术分析、基本面分析和时间序列分析为金融市场构建神经模型，预测巴西交易所在短期内的收盘价和价格走势改变方向。本文介绍在建模和预测股价中所用到的技术和步骤：1.理解主要问题，锁定关键变量；2.选择并收集样本；3.输入参数预处理；4.建模及预测。作者以巴西国家石油公司为例，试验了不同时间窗口的预测值，最终验证在时间窗口长度为3时，股价涨跌预测在训练集上正确度为93.62%，验证集上为87.5%。

• 《利用独立变量分析和支持向量机对金融时间序列进行预测》
  

原文：《 Financial time series forecasting using independent component analysis and support vector regression》
关键词：时间序列数据，支持向量机，独立变量分析


金融时间序列数据存在很多噪音且高度不稳定，是时间序列数据预测中的存在的主要难题。因为支持向量机的通用性，它能成功应用于金融时间序列数据的预测。在此过程中，检测并消除噪音是最重要但最困难的任务。为了消除噪音的影响，本文采用两层建模方法：利用独立变量分析和支持向量机进行金融时间序列数据预测。独立变量分析是典型的统计信号处理方式，当面对许多数据而没有相关信息时，采用这种方法可以找到潜在的信号源。首先，通过独立变量分析找到独立变量，然后移除制造噪音的独立变量，使用剩余的独立变量构成预测因子，作为支持向量机的输入进行模型预测。本文利用日经225开盘指数和台湾收盘指数来检测此方法效果，结果表明：模型的性能要比没有经过数据处理的模型和随机行走模型表现好。

---

《量化研究每周精选》每周一期，为大家提精选研报、前沿研究、热门文章等优质内容。
   查看所有 量化研究每周精选，请访问：https://bigquant.com/