核心观点：
　　支持向量机介绍
　　传统多因子模型建立在严格的线性假设之上，它认为资产收益与因子暴露之间存在线性关系，但复杂的现实资本市场很难满足这一假设。支持向量机能够轻松地捕捉因子与收益之间复杂的非线性、交互式关系，特别擅长处理高维特征空间且通常对样本外数据具有更好的泛化能力。由于支持向量机的决策仅由支持向量决定，意味着模型会忽略大量远离边界的样本，而专注于区分最具有鉴别性的市场情形。
　　支持向量机（SVM）是于1995年被首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机（SVM）是一种强大的有监督学习算法，主要用于分类和回归任务。其核心思想是找到一个最优的超平面，能够将不同类别的样本点分开，并且要确保这个超平面距离最近的样本点（即支持向量）的间隔最大化。
　　支持向量机（SVM）的关键技术是核技巧。对于大多数实际问题，数据在低维空间中是非线性可分的。为了解决这个问题，SVM引入了核技巧。核函数能够隐式地将原始低维空间的数据映射到更高维的特征空间，使得数据在该高维空间中变得线性可分。它避免了显式计算高维空间中的坐标，而是直接在低维空间通过核函数计算高维空间中的点积，从而大大提高了计算效率。
　　支持向量机与随机森林应用对比
　　数据选取2020年1月1日至2025年8月31日的历史数据，训练集与测试集比例为8:2，选取REF核进行测试。模型构建中选取了包含估值因子、成长因子、质量因子、杠杆因子、市值因子、动量因子等25个基本面和技术面因子。支持向量机对数据的要求较高，需事先进行预处理，处理缺失值，消除完整性问题，而后进行标准化处理。分别放入支持向量机和随机森林中进行训练。随机森林在训练数据时的学习能力更强，实际预测中的表现更好，而支持向量机的泛化能力相对更强。两种算法都存在一定的改进空间，但也都可为量化选股提供一定的预测能力，在实际应用中可根据具体需求选择合适的工具作为辅助。
　　风险提示：模型基于历史数据构建，存在失效的风险，不构成投资建议。第三方数据不准确的风险。