机器学习算法可用于找到最佳值来交易您的指标。
相对强弱指标（RSI）是最常见的技术指标之一。它用于识别超卖和超买情况。
传统上，交易者希望RSI值超过70代表超买市场状况，而低于30则代表超卖市场状况。但是，这些主张是否有效？为什么70，为什么30？此外，不同的趋势市场如何影响RSI信号？
可下载资源
在本文中，我们将使用一种功能强大的机器学习算法-支持向量机（SVM），在考虑到市场整体趋势的同时，探索您实际需要的RSI值。
首先，我们将简要概述SVM，然后根据算法发现的模式来构建和测试策略。
机器学习和量化交易这个方向是没有问题的，就像无人驾驶，没人会否认将来的某一时间会成功，但终究多久后成功就不好说了。80年代的人工智能或者机器学习从业者们也很高兴，结果由于计算力的限制，坐了几十年冷板凳。
金融或者交易的本质是啥？金融的本质是时间和空间，股价是长期的公司价值和短期的供需 关系共同决定的，后者如同两军博弈，money就是武器。人们对股价的认识不仅取决于未来现金流的折现，还受人们预期的影响，所以超预期通常是涨的。同时，市场也不是独立同分布的，参与投资的人在进化，市场也相应的在进化。
那机器学习的本质是啥，找到一种范式，也就是从大量数据中找到某种规律。某种程度上其不是智能的，随着环境而变化，而是自动化，把工厂的流水线自动化。
金融是要为实体经济服务，满足经济社会发展和人民群众需要，同时防范重大的金融风险。以此为基础，我们探讨一下现行的主要策略的机器学习的用途。
一是基本面，基本面其实有两个流派，一个是价值派，一个是事件驱动派，也就是看新闻炒股派。
首先价值派，是分析财报为基础的，因而诞生很多自动读财报公司。其次，人工智能在价值派里面最重要的用途其实是不规则的数据，比如有人成天蹲在茅台仓库门口查茅台运走了多少箱，一跌就去查，机器做的更好更仔细啊。
其次是看新闻炒股派，极端点叫内幕消息派，实际上内幕消息的影响远不如想象中的大，最重要的是听党的指挥，炒题材。党领导一讲话，就要立即判断出新闻的重要性，哪只股要涨，已经涨了的，还有没空间，这个其实可以预先分类，人工智能也可以做，因为实际投资过程中要开会讨论搞不搞，机器就快多了，真是非常好的题材，就比谁下手快了。
二是趋势派，这里面的鼻祖是里弗莫尔，他把价格和时间结合到了一起，等待关键点，继而一次大的运动，这其实也是最适合散户的操作方法，大部分时间都在等，可以干别的。这其实不仅是关键点位的问题，有可能是假的，要对之前的股票进行监控，就如古代的斥候，撒豆成兵，赛马，看看哪个好，像啥，像不像群体智能，遗传算法啦，PSO啦，都可以搞搞。乃至于模糊数学也可以搞，因为技术分析里面有很多是是而非的东西，用隶属度来表示要比单纯的算数好。
三是短线投机派，极致是高频交易。他的理论依据是短线交易是人可以训练的，或者一种叫做盘感的东西。这个是有实证依据的，既然可以训练人，大幅度重复工作没有比机器更合适的了。
四是另类一点的了，比如券商有大规模的成交单，包括雪球上有组合的成交单，可以直接学习人的成交单。
五是技术派。学习一个K线图形或者模式，模式识别就派上用场了，同花顺有图形选股，如果用神经网络的话有很好的松弛性和泛化性。
六是作为监管科技，比如资金流向，这是央行干的活。如果做空的话，可以拿自己监测到的数据去和他公布的数据比对，揭穿骗局，从而获利。
如果单纯的把所有数据都输入进去，噪音太多，学不好，要提取特征，这里涉及到金融原理和数学知识，单纯的瞎组合也是可以的，效率比较低。但即使不缩减股票本身的数据量很少，美国的数据比中国多得多，但加特征维度很高，就用到降维，典型的是PCA，这个多元分析里有，机器学习里面也有，所以有的老师说机器学习只是在统计的基础上起了好听的名字。还有一个输入是缺失值处理，单纯的填充效果可能不如k近邻方法好。
所以输入问题但从二级市场数据来讲是个小样本高维问题。另外一个输入问题是我们不能仅仅局限于二级市场的数据，要从非结构的难以通过原始人工采集的更好的去衡量公司的价值，比如公司卖多少张电影票。
支持向量机
支持向量机基于其发现非线性模式的能力，是较流行且功能强大的机器学习算法之一。SVM通过找到一条称为“决策边界”或“超平面”的线来工作，该线可以根据类别（在我们的情况下为“看涨”或“看跌”）最好地分离数据。
SVM的强大功能是可以使用一组称为“核”的数学函数将数据重新排列或映射到多维特征空间，在该空间中数据可以线性分离。
然后，SVM在较高维度的空间中绘制一条线，以最大化两个类之间的距离。将新的数据点提供给SVM后，它会计算该点落在线的哪一边并进行预测。
SVM的另一个优点是，在可以使用它之前，必须选择的参数相对较少。首先，您必须选择用于将数据转换到更高维度空间的核或映射功能。径向基函数是一种流行的选择。接下来，您需要选择gamma参数。gamma确定单个训练示例可以对决策边界产生多少影响。较低的值表示单个点将对画线的位置产生较大的影响，而较高的值表示每个点将仅对较小的影响。将gamma参数选择为模型输入数量（1 /（输入数量））是一个经验法则。最后，您需要选择正则化参数C。C确定了训练集中分类错误的示例与决策边界的简单性之间的权衡。低C会创建更平滑的决策边界并减少过度拟合，而高C会尝试正确分类训练集中的每个数据点，并可能导致过度拟合。我们希望减少模型的过拟合量，因此我们将选择一个值1。
现在，我们对支持向量机的工作原理以及如何选择其参数有了基本的了解，让我们看看是否可以使用它来计算如何交易RSI。
交易RSI
相对强弱指标（RSI）将“上涨”移动的平均大小与“下跌”移动的平均大小进行比较，并将其归一化为0到100。传统的逻辑是，一旦股价有更多的，显着的上升趋势，它已经变得超买或被高估，并且价格可能会下降。超买通常由RSI值超过70来确定，相反的情况表示RSI值为30时出现超卖或低估。
在强劲的上升趋势中，RSI值超过70可能表示趋势的延续，而在下降趋势期间的RSI值70可能意味着一个很好的切入点。问题是要找出要考虑这两个因素的确切条件。
我们可以收集成千上万个数据点，然后尝试自己找到这些关系，也可以使用支持向量机为我们完成工作。
让我们看看我们可以使用AUD / USD 每小时数据将开盘价与50期简单移动平均线（SMA）比较，从而在3期RSI中找到模式并定义趋势。
加载历史价格。
#*****************************************************************
# 载入历史数据
#******************************************************************
AUDUSD = read.xts('AUDUSD.csv', format='%m/%d/%y %H:%M', index.class = c("POSIXlt", "POSIXt"))
建立模型
使用R建立我们的模型，分析它能够找到的模式，然后进行测试以查看这些模式在实际的交易策略中是否成立。
创建指标并训练SVM：
#*****************************************************************
# 代码策略
#******************************************************************
load.packages('e1071,ggplot2')
indicators = as.xts(list(
RSI3 = RSI(Cl(AUDUSD), 3),
SMA50 = SMA(Op(data$AUDUSD), 50)
# 删除缺失
DataSet = DataSet[-(1:49),]
#将数据分为60％的训练集以构建模型，20％的测试集以测试我们发现的模型，以及20％的验证集将我们的策略应用于新的数据
Training = DataSet[1:4528,]
#使用径向基函数作为核，将成本或C设置为1，构建支持向量机
svm(
data=Training,
kernel="radial",
cost=1,gamma=1/2)
#在训练集中再次运行算法以可视化找到的模型
predict(SVM,Training,type="class")
# 绘图
ggplot(TrainingData, aes(x=Trend,y=RSI3))
我们可以看到算法在三个不同的区域预测空头，而在中间的一个区域预测多头。
让我们进一步探索。
| 多头 | 空头 |
|---|---|
| RSI低于25，价格比SMA 50低20（准确度为56％，交易36次） | RSI小于25，且价格比SMA 50低10至5个点（准确度为54％，交易81次） |
| RSI3在50到75之间，价格比SMA 50高5到10个点之间（准确度为58％，交易104） | RSI大于70，价格比SMA 50低5个点以上（准确度为59％，交易37次） |
| RSI大于75，价格比SMA 50高出15个点（准确度为59％，交易34次） |
随时关注您喜欢的主题
首先是左下角区域。在这里，价格刚刚跌破50期SMA，RSI跌破25，表明跌势突破。
但是，如果价格跌破50周期SMA下方20个点，而RSI仍低于25点，则该算法会发现有较强的信号可以转换为均值，并预测多头交易。
接下来，图左上方的短暂机会代表了RSI的传统观点。我们希望RSI超过70，而价格比50周期均线高出15点以上，以表示“超买”情况，这表明我们做空了。
左上方的区域有些不同。当价格刚刚跌破50期SMA以下且RSI超过70时，它发现了一个短暂的机会。这与第一种情况相似，但我们正在寻找看跌突破进入信号，而不是传统的“超买”条件。
最终，存在一个区域的RSI在50到75之间，而价格已经超过了50期均线，该算法发现了强烈的买入信号。
现在，我们找到了SVM发现的一组基本规则，让我们测试一下它们对新数据（测试集）的支持程度。
# 我们找到了SVM发现的一组基本规则，测试一下它们在新数据（测试集）的正确程度。
# 模式在测试集中的表现：
sum(ShortTrades$Direction == -1)/nrow(ShortTrades)*100
[1] 57.82313
sum(LongTrades$Direction ==1)/nrow(LongTrades)*100
[1] 57.14286
我们的空头交易为58％（147笔交易中的85笔正确），而我们的多头交易为57％（140笔交易中的80笔正确）。
使用支持向量机（一种功能强大的机器学习算法），我们不仅能够了解RSI的传统知识在什么条件下成立，而且还能够创建可靠的交易策略。
此过程称为从机器学习算法中得出规则，使您可以结合自己的交易经验来使用机器学习算法。
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
【专题】2024年全球生物医药交易报告汇总PDF洞察（附原数据表）
过采样SMOTE逻辑回归、SVM、随机森林、AdaBoost和XGBoost对不平衡数据分析预测
【专题】2024中国创新药械出海趋势与策略白皮书报告合集PDF分享（附原数据表）
R语言使用核Fisher判别方法、支持向量机、决策树与随机森林研究客户流失情况
