从期货交易的角度来看,由于计算机技术和其他信息科技的进步,大量科技工具应用于金融市场交易。在美国等发达的市场中使用计算进行买卖是非常普遍的。在此基础上,不同的市场参与者运用统计学和金融学理论建立了自己的交易战略,并运用数据进行回测性的研究。利用定量方法对期货交易进行分析,可以定量地对其进行投资回报和风险的定量分析,降低人为的主观因素。以往在定量的投资策略中,通常使用各种计量经济模式,例如ARMA等的时序模型来进行价格变动的预测。然而,这样的策略并不总是有效。机器学习作为一种预测能力更强的模型,在此基础上,可以较精确地预测未来的行情发展,并基于此建立较佳的交易策略。本文通过分析大宗商品的价格上涨和下跌的预测机制,建立了相应的交易策略。首先,从理论和文献两方面对我国商品期货的价格预测进行了研究。其次,利用SVM、BP神经网络等方法,对单模型下的单个品种进行了预测,并对其中出现的问题进行了深入的研究。第三,利用Stacking模式将SVM、BP神经网络、随机森林和GBDT模式结合起来,对商品期货的上涨和下跌进行了分析,并对Stacking模式进行了改进,以三层模式取代了二层模式,将多个层级的单个学习模式结合起来。为了提高预测精度,采用遗传算法对系统进行最优参数的求解。第四,以技术指标为预测特征,利用Ⅳ方法对数据进行特征筛选。第五,以最优Stacking模式为基础,根据对期货市场的预期结果,进行了相应的交易决策,并且以资产配置原理为基础,对25个期货品种构建交易品种组合,基于交易策略进行了测试。本文的研究结论如下:（1）对于单一模型而言,在单一品种上进行交易存在收益率较低、风险较高、预测准确性较低等问题。各个模型对螺纹钢次日涨跌的预测结果可以看到,采用支持向量机时、BP神经网络模型、GBDT模型时,整体预测准确率不高,采用二层Stacking模型时,整体预测准确率略有提升。（2）采用优化的三层Stacking模型对商品期货次日涨跌预测的各项指标均优于单一的模型,说明优化的三层Stacking模型对商品期货次日涨跌预测的效果更好。（3）从构建的交易策略来看,优化的三层Stacking模型构建的波段交易策略具有较好的性能,其中,十一年测试的复合年化收益率较高,且最大回撤率较低,具有较好的盈利效果。（4）对比单独采用GBDT等模型以及两层Stacking模型等进行期货价格涨跌的预测以及交易,优化的三层Stacking模型具有更好的效果。