SVM分類器を多数派基準と比較するFX

サマリー

この記事では、翌日の為替リターンを分類するサポートベクターマシンを紹介します。最大マージン境界、分類誤差を一部許容するソフトマージン、高次元の特徴空間で非線形境界を表現するカーネルトリックについて説明します。さらに、為替価格と過去のリターンを特徴量に使い、3次カーネルを採用したモデルを取り上げ、3分割交差検証を用いたグリッドサーチでパラメーターを選択する方法を説明します。

報告された比較では、線形回帰もSVMも、通貨全体で50%のランダム予測基準を安定して上回りません。ランダムな訓練・テスト分割を繰り返すと、SVMが優位になる場合もあり、USD/JPYでは平均方向正解率が54%と報告されています。しかし、訓練データで最も多いクラスを常に予測する基準と比べると、見かけの正解率の多くはクラスの不均衡によるものです。SVMが加える非線形な予測情報は約2パーセントポイントにとどまります。この記事は、この情報の解釈が難しく、取引コストを考慮した後や別の期間でも利益につながるという証拠はないと述べています。

主なアイデア

• SVM分類器は、広いマージンと誤分類へのペナルティのバランスを取る決定境界を選びます。
• カーネル関数を使うと、高次元の特徴写像を明示的に計算せずに非線形のクラス境界を表現できます。
• この研究では、価格と過去のリターンを特徴量として翌日の為替方向を検証し、交差検証でモデルを調整します。
• クラスの不均衡によって単純な基準が誤解を招くことがあるため、正解率は多数派クラスの基準と比較する必要があります。
• 報告されたSVMの改善は小幅で解釈が難しく、方向正解率だけでは取引の収益性を示せません。

タグ

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。