随着我国金融市场的深化发展和改革,越来越多的金融创新和投资方法理念被应用到市场中,面对繁纷复杂的金融市场,计算机的长足发展给金融投资带来了新的契机。本文期望能运用机器学习中的随机森林算法配合降噪效果非常好的小波分解理论在期货市场中设计一个能够贴近现实获利的交易策略。本文通过对期货市场比较活跃的31只期货品种的23个指标数据进行小波降噪处理,然后将它们作为随机模型的分类属性,接着对随机森林模型的参数通过设置训练集和交叉验证集进行调优,在2016-01-01至2019-11-07区间内设置4个滚动子区间进行测试,以AUC值和正确率作为选取依据,最终选定随机森林模的参数为:树棵数l=300,最优属性个数s=5,内部节点再划分需要最小样本数n=20,叶节点最小样本数m=20。将这些参数作为模型的最终参数来预测期货价格的涨与否情况,以这些准备工作为基础构建了单向交易策略,将未经过小波处理的数据设置为统一对照组。最终的基于小波分解与随机森林模型的交易策略获得了比对照组5%到15%的提升的结果。调优的随机森林模型交叉验证集正平均正确率为58.8%,AUC为0.627;样本外平均正确率为58.0%,平均AUC为0.611。在策略回测阶段,随机森林模型期货交易策略样本内平均正确率为95%以上,样本外正确率为50%以上,样本内平均年化收益为20%,样本外平均年化收益为9%左右。样本内夏普率平均为73.72%,样本外平均为1.68%。可见机器学习中的随机森林模型与小波分解相结合来处理数据并对未来进行预测确实能为期货交易策略的构建提供有力的支持,并为机器学习在交易策略里面的应用提供一定的佐证。