摘要: 簡介樸素貝葉斯並以此做為交易策略進行回測
一、樸素貝葉斯
樸素貝葉斯中的樸素一詞的來源就是假設各特徵之間相互獨立。這一假設使得樸素貝葉斯算法變得簡單,但有時會犧牲一定的分類準確率。
首先,貝葉斯公式為
換成分類任務表達示則是
我們最終求的P(類別|特徵)即可就相當於完成了我們的任務!
二、樸素貝葉斯的優缺點
優點: (1)算法邏輯簡單,易於實現(算法思路很簡單,只要使用貝葉斯公式轉化即可!) (2)分類過程中時空開銷小(假設特徵相互獨立,只會涉及到二維存儲)
缺點: 樸素貝葉斯假設屬性之間相互獨立,這種假設在實際過程中往往是不成立的。在屬性之間相關性越大,分類誤差也就越大
三、樸素貝葉斯的實測
本文將通過股票的產業,市值,動量這三個維度的數據,利用伯努利分類器來預測下一日的漲跌幅情況,買入大概率會上漲的股票,看看這樣的策略效果如何。 具體一點就是:利用i 日的特徵和i + 1的的標籤(收益率大於零)訓練分類器,再利用i + 1日的特徵預測i + 2日的標籤,買入收益率大於零的股票。
strategy_return | |
Information Ratio | 1.8062 |
Cumulative Return | 13.6362 |
Annualised Return | 0.7767 |
Average return | 0.0031 |
Annualised Volatility | 0.4300 |
Maximum Daily Profit | 0.1002 |
Maximum Daily Loss | -0.1000 |
Number of Up Periods | 534.0000 |
Number of Down Periods | 364.0000 |
Win Rate | 0.5947 |
Avg Gain in Up Periods | 0.0198 |
Avg Loss in Down Periods | -0.0209 |
Profit and Loss Ratio | 0.9473 |
Maximum Drawdown | 0.4489 |
可以看出,策略擁有相當不錯的收益率,達到了77.67%,但是波動率和最大回撤也都在40%以上。 盈虧程度相當,勝率接近60%,也就是說總體而言預測正確的概率約為60%,還是不錯的。 但是也存在很大的問題:每日換倉將導致巨大的手續費,這點是沒有考慮的。
轉貼自: Uqer
轉貼自: CDSN
版权声明:本文为博主原创文章,遵循 CC 4.0 by-sa 版权协议,转载请附上原文出处链接和本声明。
若喜歡本文,請關注我們的臉書 Please Like our Facebook Page: Big Data In Finance
留下你的回應
以訪客張貼回應