1. 分类算法
应用场景:涨跌预测、趋势拐点判断
典型算法:
随机森林:训练模型预测 ETF 次日是否上涨,输入因子包括技术指标、资金流向、舆情得分,输出涨跌概率。
支持向量机(SVM):识别 ETF 价格突破布林带上轨后的持续上涨概率,当概率 > 70% 时做多。
2. 回归算法
应用场景:波动率预测、目标价位估算
典型算法:
LSTM(长短期记忆网络):基于过去 20 个交易日的 ETF 收盘价、成交量序列,预测未来 5 日的波动率区间(如 ±1.5%)。
梯度提升树(GBDT):拟合 ETF 净值与成分股权重的关系,当某成分股即将被调出指数时,预测 ETF 净值下跌幅度。
3. 强化学习
应用场景:动态仓位管理、订单执行优化
典型模型:
Q-Learning:根据市场波动状态(如平静 / 剧烈)、ETF 流动性指标(买卖价差),自动调整下单量,最大化夏普比率。
发布于2025-5-23 15:12 杭州

