支持向量机（SVM）是应用最广泛的机器学习方法之一。线性支持向量机能够解决线性分类问题，核支持向量机则主要针对非线性分类问题，支持向量回归能够处理回归问题。本篇报告我们将对包括线性核、多项式核、高斯核和Sigmoid 核在内的各种核函数支持向量机以及支持向量回归进行系统性的测试，并分析它们应用于多因子选股的异同，希望对本领域的投资者产生有实用意义的参考价值。

本文研究导读 .............. 4

支持向量机介绍........... 5

线性支持向量机 ... 5

最大间隔分类 ................................. 5

松弛变量 ...... 6

惩罚系数C .. 7

支持向量回归 ................................. 7

核支持向量机 ...... 8

非线性分类 .. 8

核函数 .......... 8

γ 值 ............ 10

模型评价指标 .... 10

支持向量机模型测试流程 ............................ 12

支持向量机模型测试结果 ............................ 15

核支持向量机 .... 15

模型正确率与AUC 分析 ...................... 16

模型预测值与各因子相关情况 ............. 17

分层回测分析 .... 18

构建策略组合及回测分析 .................... 22

支持向量机核函数比较 ................ 22

支持向量机与支持向量回归比较 .. 25

高斯核支持向量机模型选股策略详细分析 ............................. 26

总结和展望 ........ 29

附录 ........................... 31

PCA 是否必要 ... 31