“该策略对工业板块股票使用SVM分类器，根据流动性和波动性进行筛选，选择顶部和底部五分位数，并每28天重新平衡一次，持仓期重叠91天。”
资产类别: 股票 | 地区: 全球 | 周期: 每季度 | 市场: 股票 | 关键词: 非线性、支持向量机
I. 策略概要
该策略投资于全球行业分类标准定义的工业板块股票。使用SVM分类器，模型通过流动性和波动性过滤器进行训练，排除美元交易量低、价格低（底部50%）或流动性差（顶部50%流动性过滤器）的股票。波动率调整后的回报使用指数移动平均线计算，股票根据这些回报分为五分位。训练使用顶部和底部五分位，每只股票由技术和基本面特征表示。SVM模型针对每个投资组合的形成进行重新训练，以适应不断变化的市场条件。
该策略选择十个多头头寸（SVM值最高）和十个空头头寸（SVM值最低），持股91天。每28天，一组新的20只股票被添加到投资组合中，确保重叠和持续的再平衡。投资组合等权重，并且过滤后的股票可以交易，无论其训练五分位如何。
II. 策略合理性
该策略的有效性源于学术研究，该研究确定了与未来股票表现相关的技术和基本面因素，例如动量和应计项目。分类器通过识别这些关系并排除市场趋势较弱或具有特殊行为的中等排名股票来提高性能，因为它们缺乏强相关性。使用简化数据集进行训练可提高效率，减少计算时间而不会影响结果。虽然没有明确解决交易成本问题，但该策略的经济意义和较长的持有期减轻了其影响，即使存在交易成本也能确保盈利。基本面洞察力和优化数据处理的结合支持了该策略的成功。
III. 来源论文
Nonlinear support vector machines can systematically identify stocks with high and low future returns [点击查看论文]
- 拉蒙·韦尔塔（Ramon Huerta）、费尔南多·科尔巴乔（Fernando Corbacho）和查尔斯·埃尔坎（Charles Elkan），加州大学圣地亚哥分校生物电路研究所，加州大学圣地亚哥分校计算机科学系，西班牙马德里自治大学计算机科学系。
<摘要>
本文研究了一种基于训练模型识别具有高或低预测回报股票的交易策略的盈利能力。尾部集合被定义为一组股票，其波动率调整后的价格变化位于最高或最低分位数，例如最高或最低5%。每只股票都由一组使用CRSP和Compustat数据计算的技术和基本面特征表示。分类器在历史尾部集合上进行训练，并在未来数据上进行测试。由于其简单性和有效性，分类器选择非线性支持向量机（SVM）。SVM每月训练一次，以适应不断变化的市场条件。投资组合通过使用分类器输出对股票进行排名来形成。排名最高的股票用于多头头寸，排名最低的股票用于空头头寸。全球行业分类标准用于为每个行业构建模型，从而形成能源、材料、工业、非必需消费品、必需消费品、医疗保健、金融和信息技术共8个多空投资组合。数据范围从1981年到2010年。在不衡量交易成本的情况下，但使用91天持有期来最小化这些成本，该策略使用分布中前25%的股票进行多头训练，后25%进行空头训练，实现了15%的年化超额回报（詹森阿尔法），波动率低于8%。
IV. 回测表现
| 年化回报 | 21.92% |
| 波动率 | 12.79% |
| β值 | N/A |
| 夏普比率 | 1.71 |
| 索提诺比率 | N/A |
| 最大回撤 | -24.19% |
| 胜率 | N/A |
