谷歌Alpha Go带来的人工智能的风暴,正在横扫各个行业,同样也会对金融投资行业产生深远的影响。而现实中量化投资和程序化交易,已经成为很多金融市场中机构投资者的常规操作模式。量化投资以其理性客观、决策效率高、信息处理能力强等特点越来越受到学术界与投资实务界的重视。而量化择时策略是量化投资策略的一个重要分支。支持向量机(SVM)是一种机器学习算法,弥补了传统神经网络学习算法的多项不足,在解决模式识别和回归问题时性能优越。对于SVM,国内在金融领域的研究主要用于金融时间序列预测,还没有与量化择时策略相结合的研究,而且在研究的过程中主要是侧重对SVM方法和应用的研究,往往忽视了策略本身。针对于以上问题,本文通过研究现有的量化择时策略和SVM算法,结合两者的优势,构建基于SVM的量化择时策略。首先,本文介绍量化投资的相关概念,简要梳理量化投资在国内外的发展状况;给出量化择时策略的定义、分析其特点并对现有的量化择时策略进行了分类。其次,从机器学习、统计学习理论等六个方面对SVM的相关理论进行较为全面深入的研究。接下来,系统的构建基于SVM的量化择时策略,主要有两大部分,一是基于SVM择时策略的构建,二是策略模型算法的设置。最后,运用中国石油、浦发银行、沪深300指数、中证500指数和创业板指指数的各600组、时间跨度约两年半的数据进行训练与测试,分析验证策略的有效性。本文研究的创新性工作主要有两方面:一是对于量化择时策略进行了系统的梳理,并建立了自己的量化择时策略。本文量化择时策略的思路是:策略选择在我国股票市场运行,SVM预测模型每日收盘后运行一次,对下一日收盘价进行预测,如果预测出上涨,在当下一日的价格低于前一日收盘价时,全仓买入;如果预测出下跌,当下一日的价格高于前一日收盘价时,清仓卖出;如果预测出没有变化,就不进行操作,同时加入了止损判断,也就是说,每日只进行一次交易或不进行交易,整个过程由交易系统自动进行。二是引入支持向量机优化算法,系统地构建和检验了量化择时策略。采用SVM算法,可以将量化择时策略进行优化,取得更好的投资效果。在基于SVM择时策略的构建部分,本文从择时模型设计的总体思路、预测期限、预测目标、投资范围、特征指标、买卖时点、模型设置这七个方面构建了择时策略。在策略模型算法的设置部分,本文对SVM算法以及整个模型算法的各个方面进行具体的设置,主要包括SVM的多分类算法选择、SVM核函数选取、参数寻优、不平衡数据的处理、滚动预测这五个方面的内容。通过研究,本文构建了基于支持向量机的量化择时策略;使用真实数据进行实证检验。通过对模型预测能力的分析、与买入持有策略的对比,以及从不同市场行情下的表现和策略的各项评价指标来看,本论文的量化择时策略表现优异,所构建的基于SVM量化择时策略是有效的。本论文的研究对于将支持向量机方法应用于量化投资策略的构建,对于完善和优化量化择时策略,对于量化投资实践具有一定的指导和参考意义。