拓端tecdat|R語言量化交易R(shí)SI策略：使用支持向量機(jī)SVM
原文鏈接：http://tecdat.cn/?p=19839
原文出處：拓端數(shù)據(jù)部落公眾號(hào)
機(jī)器學(xué)習(xí)算法可用于找到最佳值來交易您的指標(biāo)。
相對強(qiáng)弱指標(biāo)（RSI）是最常見的技術(shù)指標(biāo)之一。它用于識(shí)別超賣和超買情況。傳統(tǒng)上，交易者希望RSI值超過70代表超買市場狀況，而低于30則代表超賣市場狀況。但是，這些主張是否有效？為什么70，為什么30？此外，不同的趨勢市場如何影響RSI信號(hào)？
在本文中，我們將使用一種功能強(qiáng)大的機(jī)器學(xué)習(xí)算法-支持向量機(jī)（SVM），在考慮到市場整體趨勢的同時(shí)，探索您實(shí)際需要的RSI值。
首先，我們將簡要概述SVM，然后根據(jù)算法發(fā)現(xiàn)的模式來構(gòu)建和測試策略。
支持向量機(jī)
支持向量機(jī)基于其發(fā)現(xiàn)非線性模式的能力，是較流行且功能強(qiáng)大的機(jī)器學(xué)習(xí)算法之一。SVM通過找到一條稱為“決策邊界”或“超平面”的線來工作，該線可以根據(jù)類別（在我們的情況下為“看漲”或“看跌”）最好地分離數(shù)據(jù)。SVM的強(qiáng)大功能是可以使用一組稱為“核”的數(shù)學(xué)函數(shù)將數(shù)據(jù)重新排列或映射到多維特征空間，在該空間中數(shù)據(jù)可以線性分離。
然后，SVM在較高維度的空間中繪制一條線，以最大化兩個(gè)類之間的距離。將新的數(shù)據(jù)點(diǎn)提供給SVM后，它會(huì)計(jì)算該點(diǎn)落在線的哪一邊并進(jìn)行預(yù)測。
SVM的另一個(gè)優(yōu)點(diǎn)是，在可以使用它之前，必須選擇的參數(shù)相對較少。首先，您必須選擇用于將數(shù)據(jù)轉(zhuǎn)換到更高維度空間的核或映射功能。徑向基函數(shù)是一種流行的選擇。接下來，您需要選擇gamma參數(shù)。gamma確定單個(gè)訓(xùn)練示例可以對決策邊界產(chǎn)生多少影響。較低的值表示單個(gè)點(diǎn)將對畫線的位置產(chǎn)生較大的影響，而較高的值表示每個(gè)點(diǎn)將僅對較小的影響。將gamma參數(shù)選擇為模型輸入數(shù)量（1 /（輸入數(shù)量））是一個(gè)經(jīng)驗(yàn)法則。最后，您需要選擇正則化參數(shù)C。C確定了訓(xùn)練集中分類錯(cuò)誤的示例與決策邊界的簡單性之間的權(quán)衡。低C會(huì)創(chuàng)建更平滑的決策邊界并減少過度擬合，而高C會(huì)嘗試正確分類訓(xùn)練集中的每個(gè)數(shù)據(jù)點(diǎn)，并可能導(dǎo)致過度擬合。我們希望減少模型的過擬合量，因此我們將選擇一個(gè)值1。
現(xiàn)在，我們對支持向量機(jī)的工作原理以及如何選擇其參數(shù)有了基本的了解，讓我們看看是否可以使用它來計(jì)算如何交易R(shí)SI。
交易R(shí)SI
相對強(qiáng)弱指標(biāo)（RSI）將“上漲”移動(dòng)的平均大小與“下跌”移動(dòng)的平均大小進(jìn)行比較，并將其歸一化為0到100。傳統(tǒng)的邏輯是，一旦股價(jià)有更多的，顯著的上升趨勢，它已經(jīng)變得超買或被高估，并且價(jià)格可能會(huì)下降。超買通常由RSI值超過70來確定，相反的情況表示RSI值為30時(shí)出現(xiàn)超賣或低估。
在強(qiáng)勁的上升趨勢中，RSI值超過70可能表示趨勢的延續(xù)，而在下降趨勢期間的RSI值70可能意味著一個(gè)很好的切入點(diǎn)。問題是要找出要考慮這兩個(gè)因素的確切條件。
我們可以收集成千上萬個(gè)數(shù)據(jù)點(diǎn)，然后嘗試自己找到這些關(guān)系，也可以使用支持向量機(jī)為我們完成工作。
讓我們看看我們可以使用AUD / USD 每小時(shí)數(shù)據(jù)將開盤價(jià)與50期簡單移動(dòng)平均線（SMA）比較，從而在3期RSI中找到模式并定義趨勢。
加載歷史價(jià)格。
#*****************************************************************# 載入歷史數(shù)據(jù)#******************************************************************AUDUSD = read.xts('AUDUSD.csv', format='%m/%d/%y %H:%M', index.class = c("POSIXlt", "POSIXt"))
建立模型
使用R建立我們的模型，分析它能夠找到的模式，然后進(jìn)行測試以查看這些模式在實(shí)際的交易策略中是否成立。
創(chuàng)建指標(biāo)并訓(xùn)練SVM：
#*****************************************************************# 代碼策略#******************************************************************load.packages('e1071,ggplot2')indicators = as.xts(list(RSI3 = RSI(Cl(AUDUSD), 3),SMA50 = SMA(Op(data$AUDUSD), 50)# 刪除缺失DataSet = DataSet[-(1:49),]#將數(shù)據(jù)分為60％的訓(xùn)練集以構(gòu)建模型，20％的測試集以測試我們發(fā)現(xiàn)的模型，以及20％的驗(yàn)證集將我們的策略應(yīng)用于新的數(shù)據(jù)Training = DataSet[1:4528,]#使用徑向基函數(shù)作為核，將成本或C設(shè)置為1，構(gòu)建支持向量機(jī)svm(data=Training,kernel="radial",cost=1,gamma=1/2)#在訓(xùn)練集中再次運(yùn)行算法以可視化找到的模型predict(SVM,Training,type="class")# 繪圖ggplot(TrainingData, aes(x=Trend,y=RSI3))
我們可以看到算法在三個(gè)不同的區(qū)域預(yù)測空頭，而在中間的一個(gè)區(qū)域預(yù)測多頭。
讓我們進(jìn)一步探索。
多頭空頭RSI低于25，價(jià)格比SMA 50低20（準(zhǔn)確度為56％，交易36次）RSI小于25，且價(jià)格比SMA 50低10至5個(gè)點(diǎn)（準(zhǔn)確度為54％，交易81次）RSI3在50到75之間，價(jià)格比SMA 50高5到10個(gè)點(diǎn)之間（準(zhǔn)確度為58％，交易104）RSI大于70，價(jià)格比SMA 50低5個(gè)點(diǎn)以上（準(zhǔn)確度為59％，交易37次）RSI大于75，價(jià)格比SMA 50高出15個(gè)點(diǎn)（準(zhǔn)確度為59％，交易34次）
首先是左下角區(qū)域。在這里，價(jià)格剛剛跌破50期SMA，RSI跌破25，表明跌勢突破。
但是，如果價(jià)格跌破50周期SMA下方20個(gè)點(diǎn)，而RSI仍低于25點(diǎn)，則該算法會(huì)發(fā)現(xiàn)有較強(qiáng)的信號(hào)可以轉(zhuǎn)換為均值，并預(yù)測多頭交易。
接下來，圖左上方的短暫機(jī)會(huì)代表了RSI的傳統(tǒng)觀點(diǎn)。我們希望RSI超過70，而價(jià)格比50周期均線高出15點(diǎn)以上，以表示“超買”情況，這表明我們做空了。
左上方的區(qū)域有些不同。當(dāng)價(jià)格剛剛跌破50期SMA以下且RSI超過70時(shí)，它發(fā)現(xiàn)了一個(gè)短暫的機(jī)會(huì)。這與第一種情況相似，但我們正在尋找看跌突破進(jìn)入信號(hào)，而不是傳統(tǒng)的“超買”條件。
最終，存在一個(gè)區(qū)域的RSI在50到75之間，而價(jià)格已經(jīng)超過了50期均線，該算法發(fā)現(xiàn)了強(qiáng)烈的買入信號(hào)。
現(xiàn)在，我們找到了SVM發(fā)現(xiàn)的一組基本規(guī)則，讓我們測試一下它們對新數(shù)據(jù)（測試集）的支持程度。
# 我們找到了SVM發(fā)現(xiàn)的一組基本規(guī)則，測試一下它們在新數(shù)據(jù)（測試集）的正確程度。# 模式在測試集中的表現(xiàn)：sum(ShortTrades$Direction == -1)/nrow(ShortTrades)*100
[1] 57.82313
sum(LongTrades$Direction ==1)/nrow(LongTrades)*100
[1] 57.14286
我們的空頭交易為58％（147筆交易中的85筆正確），而我們的多頭交易為57％（140筆交易中的80筆正確）。
使用支持向量機(jī)（一種功能強(qiáng)大的機(jī)器學(xué)習(xí)算法），我們不僅能夠了解RSI的傳統(tǒng)知識(shí)在什么條件下成立，而且還能夠創(chuàng)建可靠的交易策略。
此過程稱為從機(jī)器學(xué)習(xí)算法中得出規(guī)則，使您可以結(jié)合自己的交易經(jīng)驗(yàn)來使用機(jī)器學(xué)習(xí)算法。
最受歡迎的見解
1.用機(jī)器學(xué)習(xí)識(shí)別不斷變化的股市狀況—隱馬爾科夫模型(HMM)的應(yīng)用
2.R語言GARCH-DCC模型和DCC（MVT）建模估計(jì)
3.R語言實(shí)現(xiàn) Copula 算法建模依賴性案例分析報(bào)告
4.R語言COPULAS和金融時(shí)間序列數(shù)據(jù)VaR分析
5.R語言多元COPULA GARCH 模型時(shí)間序列預(yù)測
6.用R語言實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)預(yù)測股票實(shí)例
7.r語言預(yù)測波動(dòng)率的實(shí)現(xiàn)：ARCH模型與HAR-RV模型
8.R語言如何做馬爾科夫轉(zhuǎn)換模型markov switching model
9.matlab使用Copula仿真優(yōu)化市場風(fēng)險(xiǎn)
