"华泰证券人工智能系列之三:支持向量机模型分析多因子选股"

需积分: 0 0 下载量 172 浏览量 更新于2024-01-17 收藏 2.79MB PDF 举报
20170804-华泰证券-华泰证券人工智能系列之三:人工智能选股之支持向量机模型1;谨请参阅尾页重要声明及华泰证券股票和行业评级标准证券研究报告金工研究/深度研究2017年08月04日林晓明 执业证书编号:S0570516010001研究员陈烨;谨请参阅尾页重要声明及华泰证券股票和行业评级标准 1 证券研究报告 金工研究/深度研究 2017年08月04日 林晓明 执业证书编号:S0570516010001 研究员 0755-82080134 linxiaoming@htsc.com 陈烨 010-56793927 联系人 chenye@htsc.com 1《金工: 华泰价值选股之相对市盈率港股模型》 2017.07 2《金工: 人工智能选股之广义线性模型》 2017.06 3《金工: 全球多市场择时配置初探》 2017.06 人工智能选股之支持向量机模型 华泰人工智能系列之三 本报告对各种核支持向量机模型以及支持向量回归进行系统测试 支持向量机(SVM)是应用最广泛的机器学习方法之一。线性支持向量机能够解决线性分类问题,核支持向量机则主要针对非线性分类问题,支持向量回归能够处理回归问题。本篇报告我们将对包括线性核、多项式核、高斯核和 Sigmoid 核在内的各种核函数支持向量机以及支持向量回归进行系统性的测试,并分析它们应用于多因子选股的异同,希望对本领域的投资者产生有实用意义的参考价值。 支持向量机模型的构; 华泰证券于2017年8月4日发布了关于人工智能选股之支持向量机模型的研究报告。该报告由研究员林晓明和陈烨共同撰写,旨在探讨支持向量机模型在股票选股方面的应用。报告指出,支持向量机是应用最广泛的机器学习方法之一,能够解决线性分类问题,针对非线性分类问题的核支持向量机以及处理回归问题的支持向量回归。该报告对包括线性核、多项式核、高斯核和Sigmoid核在内的各种核函数支持向量机以及支持向量回归进行了系统性测试,并分析了它们在多因子选股中的应用。希望能为投资者提供实用的参考价值。 支持向量机模型的构建对于股票选股具有重要意义,它能够通过对历史数据的学习和分析,找出特定的规律和趋势,从而辅助投资者进行决策。华泰证券的研究报告通过系统性的测试和分析,为投资者提供了一种新的视角和方法,以期能够帮助投资者更好地理解市场并进行投资。 该报告的发布也表明了华泰证券对人工智能技术在金融领域的重视和应用。随着科技的不断进步,人工智能技术在金融行业的应用愈发广泛,它能够帮助企业和投资者更加准确地了解市场和资产的情况,降低投资风险,提高收益。通过该研究报告,华泰证券向市场展示了其在人工智能领域的积极探索和创新,也为投资者提供了一种新的投资思路和工具。 总的来说,该研究报告对于支持向量机模型在股票选股方面的应用进行了全面的分析和测试,为投资者提供了新的思路和方法。同时,它也表明了华泰证券对于人工智能技术在金融领域的重视和应用,展示了其在科技领域的积极探索和创新。希望该研究报告能够为投资者带来实际的参考价值,帮助他们更好地进行投资决策。