基于EMD―SVM的商品期货交易策略研究

[摘 要]经验模态分解（EMD）能有效处理非平稳和非线性信号，本文利用EMD对期货的价格信号进行分解从而得到趋势项和IMF，并在此基础上提取相关特征，运用基于机器学习理论的支持向量机（SVM）来对价格涨跌进行预测形成交易策略，同时使用网格法进行参数寻优。

[关键词]EMD；SVM；量化交易

doi：10.3969/j.issn.1673 - 0194.2016.20.043

[中图分类号]F224 [文献标识码]A [文章编号]1673-0194（2016）20-00-01

0 引 言

随着计算机技术的快速发展，人们对复杂事物的处理方法也更加高效。量化投资就是随之而发展起来的交易方法，主要理论来自于数量金融学。从20世纪50年代至20世纪末，数量化金融从马克维茨的均值-方差模型到CAPM（资本资产定价）模型、ATP（套利定价）模型，再到ARCH、GARCH等计量经济学模型都取得了惊人的成绩。21世纪至今，非线性的研究方法取得了重大突破，极大地丰富了金融研究的手段和方法。在前人理论的基础上，本文利用EMD（经验模态分解）算法对原始价格信号去噪，再利用SVM（支持向量机）对价格涨跌进行预测确定交易。

1 理论与模型

1.1 EMD

经验模态分解（EMD）是由NASA院士黄锷提出的一种处理非平稳和非线性信号的分析方法。与其他信号处理方法不同的是，EMD是一种自适应的分析方法，在不同的工程领域得到了成功应用。EMD假设任一复杂的信号都由本征模态函数（IMF）和趋势项（r）构成，其数学表达式如式（1）。IMF的提取关键步骤是获得原信号的上下包络线并求得其均值，最后再将原始信号减去其均值即可获得IMF。其中包络线一般采取插值法来获得。

1.2 SVM

支持向量机（SVM）是一种基于统计学习理论的模式识别方法，其在生物信息学、文本和语音识别等领域取得成功。算法的核心思想是：确定一个最优的分类超平面使分类误差最小同时类别间隔最大，对于线性不可分问题通过核函数（本文采用高斯径向基函数）映射到高维空间再进行求解。SVM的本质是最优化问题，式（2）即为问题表达式，其中超平面分类为：WTφ（x）+b=0，松弛变量为。对于式（2）的求解笔者采用拉格朗日乘子法并根据KKT条件得到最优解，从而找到最优分类超平面。

1.3 交易策略构建

首先，笔者将原始2天共46个10分钟级的价格进行EMD分析，从而得到趋势项数据。笔者将趋势项信号的标准差除以原始信号减去趋势项信号的标准差所得值取对数，得到第一个特征――波动信噪比，该值越大表明趋势越明显。其次，三个特征是对分解后低频部分的IMF的最后5个和10个数据做OLS回归，所得的回归系数即为特征值。第四个特征是上述两个回归直线夹角的cosine值。第五个特征则是成交量，由于该数据与其他数据数量级不同，笔者采取归一化处理。

本文所构建的SVM训练滑动窗口为500，约一个月的数据量。数据的标签笔者定义为当价格涨幅大于0.04%时为+1，小于0.04%时为-1，其余为0，然后将5个特征值带入，滚动训练出SVM模型，并预测下一期价格是涨是跌，预期价格上涨及标签为+1做多，反之做空。

2 交易回测

2.1 交易样本选择

本文选择上海期货交易所的螺纹钢期货的活力合约作为交易品种（数据来源Wind，品种代码RB.SHF），数据为2015年1月5号至2016年1月29号的日盘10分钟级数据。螺纹钢因其交易量较大所以选为测试品种。开仓、平仓交易费用万分之四，不考虑杠杆和滑点。

2.2 回测结果展示

图1展示了该策略累积收益率曲线图，在测试期内实现累计收益46.24%，年化收益达43.32%，夏普比率为1.89（设无风险利率为3%）。

3 结 语

本文应用信号处理的EMD算法作趋势分解，从分解后的趋势项及高频IMF，并结合使用网格法进行参数寻优的SVM作价格涨跌分类预测。回测结果表明该方法能够获得超额收益，具有一定的应用价值，今后可进一步对标签阈值、数据窗口进行改进优化。

主要参考文献

[1]S Prasaddas ，S Padhy. Support Vector Machines for Prediction of Futures Prices in Indian Stock Market[J].International Journal of Computer Applications，2012（3）.