第 1 章 绪论
近年来，交易系统在交易中占有越来越大的比重。根据纽约证券交易数据，截至 2011 年 5 月 20日当周该交易所的日均程序化交易占比为 28.6%[11]。根据美国权威交易系统评选杂志2011 年 10 月最新发布的交易系统排名，前三名模型年收益率均在 200%以上[12]。由此可见，成功的交易系统能够产生稳定和超额的回报。 本文按照交易系统构建的一般范式，首先依据模式识别的思想，以 5-60日均线交易系统为基础，将 SVM 分类器引入到均线交易系统中，过滤掉盘整和下跌趋势，又使用非支配解方法，对这个系统的参数进行多目标优化，构建了交易系统中的一个重要的组成部分-阿尔法模型；然后通过建立动态非特定时间 VAR 模型来计算交易系统的风险，限制头寸规模，建立了风险管理模型；最后，本文将阿尔法模型和风险管理模型成功组合在一起，进行了实证研究。
..........
第 2章 基于非线性方法和 VaR的均线交易系统的理论基础
2.1 交易系统的有关理论
在金融投资领域，交易系统特指定义了交易出入场条件的一组规则。一般会包括入场规则、风险控制规则和资金管理规则[89]。 交易系统的设计和执行离不开计算机的使用，交易系统根据其内容的不同也称为算法交易或者系统交易、程序化交易。本文倾向于交易规则的制定和执行，同系统交易的关系更为密切。按交易对象的时长，可分为中长期、高频和超高频等类型。 开发交易系统是一个系统的工程。它以交易系统作为研究对象，对交易系统进行设计、评测、实战、管理和升级，来达到总体最优的目的。
2.2 支持向量机
有时候，训练误差的过小反过来能使推广能力反而下降，这就是过学习的问题。在理论上，神经网络与模式识别都存在一样的问题。 对于过学习现象是指学习能力过强，导致推广能力较差。导致的原因有很多，但主要的有两个。一个是样本不够充分，不能够充分体现数据未来环境的特征，当环境表达不充分或发生改变时，推广能力变差，所以本文的训练样本都充分包括了市场中的上涨、下跌、横盘三种趋势。二是学习机器的设计不够合理，过度拟合了样本数据，本文在优化过程中，采用了多目标算法，目的就是去除过拟合现象。所以模型风险往往是未来推广特别值得注意的一个地方。
第 3 章 基于非线性方法的阿尔法模型研究 ...................... 38
3.1 理论分析 .......... 38
3.2 实证分析 ...... 47
第 4 章 基于非特定时间动态 VAR 的风险控制模型研究 ............................. 57
4.1 理论分析 ............. 57
4.2 模型分析 ............. 58
第 5 章 基于非线性方法和 VAR 的均线交易系统研究 ..... 78
5.1 VAR 比较分析 ............. 78
5.2 构建基于非线性方法和 VAR 的均线交易系统 ......... 92
第 5章 基于非线性方法和 VaR的均线交易系统研究
5.1 VaR 比较分析
根据结果可知，在均线系统的参数为 5-60 时，全样本情况下 SVM 作为过滤条件前后的分布并不一致；在均线系统的参数为 4-23 和 3-26 时，则不能拒绝 SVM 作为过滤条件前后的分布一致的原假设。 本文通过对数据进行分段的分析发现，在第 1-10 个数据（即 VaR 在 0.10及以内）时，所有检验都不能拒绝分布一致的原假设。 所以可以得出，SVM 作为过滤条件前后的分布并不一致但参数并不影响其 VaR（a<=0.1）的分布。因此动态 VaR 模型可以在不引入 SVM 情况下求解，得出的结果应用到基于非线性方法和 VaR 的均线交易系统中去。
5.2 构建基于非线性方法和 VaR 的均线交易系统
支持向量机的趋势识别模型采用最小二乘支持向量机，核函数选择径向基核函数，使用 MATLAB 的 LIBSUM 工具箱进行二分类计算，再采用多分类算法中的“一对一”算法进行综合计算。为将股票价格时间序列映射到高维特征空间，将技术指标中的衡量趋势的区间运动辨识指数（RAVI）、平均趋向指数（DMI）、随机指标（KDJ）、相对强弱指数（RSI）、移动平均收敛/发散指标（MACD）等 5 种趋势技术指标做为特征进行选取。 本章的实验数据主要是上证指数 1996 年 12 月 4 日至 2009 年 2 月 13 日的历史数据（从 wind 数据库获得），其中 1996 年 12 月 4 日至 2000 年 12月 4 日的数据用来训练形成 SVM 模型，2000 年 12 月 5 日至 2009 年 2 月 13日的数据用来测试和评价。
..........
结 论
本文以传统技术分析中的均线交易方法为基础，应用了支持向量机（SVM）、非支配解和风险管理的 VaR，首先建立了基于 SVM 分类器的均线交易系统，在这个基础上，使用非支配解方法优化了系统参数，构建了阿尔法模型。将 VaR 引入到均线交易系统中进行风险管理，构建了基于均线交易系统的非特定时间动态 VaR 模型。最后将阿尔法模型与风险控制模型组合起来，形成了基于非线性方法和 VaR 的均线交易系统。主要结论如下：
（1）构建了基于 SVM 分类器的均线交易系统。均线交易系统在趋势市场中具有明显的赢利效应，但在横盘市场中反复亏损。为解决这个系统缺陷，利用 SVM 分类器对趋势市场进行模式识别，使用 RAVI 等 5 种趋向技术指标将股票价格时间序列映射到高维特征空间，建构了支持向量机分类器对趋势进行分类和过滤，以上证指数为研究对象，将 5-60 日均线作为基本规则，改进基于趋势跟随的均线交易系统，建立了基于 SVM 分类器的均线交易系统。经过后期数据的测试，交易系统的绩效有了明显的提升，各项评价指标均优于原均线交易系统及其它过滤方法，是一种可行的改进交易系统的方法。
...........
参考文献（略）