智选精研|《资产管理中的人工智能:工具,应用及前沿》「从业者简报」- 支持向量机

支持向量机（SVM）是于二十世纪九十年代提出的一种机器学习算法。它最初主要用于将数据划分为两个类别，属于经典分类模型；随着方法的不断发展，SVM已经从二分类扩展到多分类、回归预测、函数估计以及识别复杂数据集中的特征模式等任务。

在现代金融领域，支持向量机具有很强的实践价值，因为它能够在预测准确性、计算效率和模型可解释性之间取得平衡。相比一些容易出现过拟合的复杂模型，SVM并不试图让模型去拟合每一个样本，而是重点关注那些最接近分类边界、最能决定模型判断的关键样本点，即“支持向量”。它通过最大化类别之间的间隔，并在必要时允许少量样本偏离或误分，从而平衡拟合效果与模型复杂度。因此，SVM不容易被个别噪声点或异常样本过度影响，在金融市场这种高噪声、强波动、信号不稳定的环境中往往具有更好的稳健性。

与此同时，和深度学习模型相比，SVM通常不需要极其庞大的数据集和重型的计算基础设施（如GPU集群），它在样本规模有限、特征维度较高的情况下也可以提供相对可靠的结果。这一点使它尤其适合投资研究、风险管理和量化建模中的实际应用。

本章出自《资产管理中的AI应用：工具、应用与前沿》一书，详细论证了在资产管理场景中，支持向量机（SVM）能够精准稳健地实现分类、预测与投资组合优化等任务。用它来处理金融场景中复杂的数据，能够有效的帮助投资者理解市场结构、发现潜在风险，并改进投资决策。

本章适合希望将支持向量机应用于投资研究与资产管理实践的读者，尤其包括以下几类专业人士：

• 需要进行证券筛选和投资组合优化的投资组合经理；

• 负责评估企业信用状况、违约风险和破产风险的风险管理人员；

• 构建预测模型的量化分析师和系统化交易员；

• 关注特征选择、市场预测以及机器学习金融应用的金融研究者。

在真实的市场中，金融数据往往是非线性的，数据的总量也在随着时间不断增长，并且波动频繁。而支持向量机则为从业者们提供了有效过滤市场噪声的可靠手段，它输出的结果通常具有稳健性且过拟合风险更低。哪怕是跟深度学习方法相比，它在算力基础设施的投入上也拥有巨大优势。

• 阐释支持向量机如何提升金融领域分类、预测与优化任务的效果。

• 将前沿机器学习理论转化为可落地实践的应用。

• 提供从业者无需深厚技术背景也能即刻实操的应用方法。

“机器学习中最重要的问题之一，就是模型对训练数据的拟合质量与模型复杂度之间的权衡。而统计学习理论领域内有一个专门解决此问题的方法叫做“结构风险最小化”，支持向量机的思想正是来源于此。”

——Maxim Golts博士

我们举一个简单案例，以三只股票指数（权益类）和三只债券指数（债券类）作为训练数据，构建出二维特征空间，分别是：两个特征维度分别是各指数收益与下一季度GDP同比增速的季度相关系数，以及与下一季度CPI（居民消费价格指数）同比通胀率的季度相关系数。

不难理解，权益资产在GDP增速强劲时表现优异（与GDP增速呈强正相关），在通胀温和环境下走势平稳（与通胀呈弱正相关）。与之相反，美国国债在通缩衰退期表现更佳，其收益与GDP增速、通胀率均呈强负相关。

下图演示了支持向量机（SVM）求解分类问题的最优边界 —— 以最大间隔将权益类与债券类资产分隔开。其中，通胀保值国债（TIPS）与美股高股息股是本次的支持向量：TIPS是债券类别中属性最接近权益的品种，美股高股息股则是权益类别中属性最接近债券的品种。求解最优边界的过程通俗来讲就是画一条分界线，居中并且让两侧支持向量到分界线的距离都尽可能的远，间隔越宽，分类的“容错空间”也就越大，新来的样本越不容易被分错。

另外，训练好最优边界后，我们用美国高收益债（这个不属于训练数据）来验证分类效果。可以看到美国高收益债被划分为了权益类资产（位于分界线上方）。原因在于，高收益债在GDP高增长环境下表现良好，且相比国债与投资级债券，受高通胀的冲击更小。这些表现与权益类资产十分相近。

（见下表）

资产类别划分SVM可用于将投资标的划分为具有实际意义的类别（如股票型资产与债券型资产，安全借款人与高风险借款人）。例如，可以基于资产收益与GDP增长、通胀变化之间的相关性，判断高收益债更接近“股票型资产”还是“债券型资产”。

市场预测SVM可用于预测股票价格走势、筛选具有潜在超额收益的资产，或识别市场状态的切换。例如，有研究利用SVM识别澳大利亚市场中未来表现位于前25%的股票，由此构建的投资组合在五年内取得超过200%的累计收益，显著高于同期71%的基准收益。

信用评级SVM可根据企业基本面数据复现或预测公司信用评级。例如，相关研究曾以银行信用评级为对象，将资本充足性、盈利能力、资产质量、流动性、杠杆水平等财务指标转化为模型特征，并用SVM学习这些指标与评级结果之间的对应关系。实证结果显示，在部分银行评级任务中SVM的表现优于传统逻辑回归模型，也能与神经网络模型形成竞争。

投资组合优化SVM既可以用于投资组合构建前的资产预筛选，也可以直接嵌入均值—方差优化框架，形成SVM-MVO等组合优化方法。例如，投资者可以先用SVM根据财务指标、收益特征或宏观敏感性，将资产划分为“更适合纳入组合”和“暂不适合纳入组合”的类别，再在筛选后的资产池中进行夏普比率最大化或均值—方差优化。更进一步，SVM-MVO会把资产筛选和组合权重优化放在同一个模型中处理，使最终组合既考虑预期收益与风险，也尽量满足模型识别出的分类边界，从而避免组合纳入过多特征上不符合要求的资产。

特征选择SVM可帮助识别对资产收益最具解释力或预测力的关键变量。例如，在股票收益预测中，研究者可以先将宏观变量、估值指标、盈利能力、动量、波动率、杠杆水平等候选特征输入模型，再通过SVM判断哪些变量在区分“未来表现较好”和“未来表现较差”的股票时贡献更大。这样做的作用不是为了证明某个变量一定会因果性地影响股价，而是帮助投资者从大量候选指标中筛出更有预测价值的特征，减少噪声变量对模型和组合构建的干扰。

风险管理SVM可以用于识别存在违约风险的企业，或发现投资组合中潜藏的风险暴露。例如，在已有历史样本中，可以将企业标记为“违约/未违约”或“破产/未破产”，再使用杠杆率、盈利能力、流动性、现金流、利息覆盖倍数等财务指标作为输入特征，训练模型去识别高风险企业。其作用并不是直接“预测破产”，而是判断某家公司当前的财务特征是否更接近历史上的高风险样本，从而为违约风险、破产风险提供早期提示。

以下内容梳理了不同金融岗位从业者对支持向量机（SVM）的应用方式，以供参考。

注：“结构风险最小化原则”指在训练中加入模型复杂度惩罚项，以此来平衡模型的复杂程度与拟合效果，避免过拟合。

支持向量机可接入现有工作流程，并且对原有业务体系干扰极小。它能与Python、R及主流机器学习库无缝集成，无论是资产筛选、风险评分，还是投资组合优化场景，都可以将它逐步落地实践。

声 明

本文章仅供读者阅读参考，并非官方译文，若与英文原文存在不一致之处，以英文原版为准。

英文原文版权归CFA Institute所有。CFA上海协会经CFA  Institute授权，对《从业者简报-人工智能在资产管理中的应用：工具、实践与前沿》进行翻译和转载。CFA Institute保留所有相关权利。

-    END    -