进入二十一世纪第二个十年以来,计算机技术,特别是大数据、人工智能和大规模集群技术的飞速发展,为金融注入了强大的科技力量,金融科技也随之发展到了更高的阶段。将科技应用于金融最直接的手段莫过于自动化、智能化的金融交易,而量化交易是集合了各种最前沿计算机技术的金融科技。近年来,量化交易在国内发展迅速,其在期货市场上的应用得到了广泛的关注。其具有反应迅速、准确度高、自动化等特征,在二级市场和衍生品市场可以替代传统人工手动下单交易模式。此外,本文为了量化智能模型在交易中的表现,同时展示智能模型相比于传统交易策略的优势,研究了机器学习和深度学习的组合模型。首先,从品种活跃度等方面考虑,从所有商品期货品种中筛选了14个,并对收集到的2016年至2022年的商品期货指数数据进行了特征分析,最终构造了5类输入特征,10日的时间步。其次,本文为了增强深度学习模型的长期记忆能力,利用了加入注意力机制的LSTM模型来研究商品期货。同时,除了对各品种指数数据进行技术指标计算外,还对收盘价序列进行了VMD分解,这种分解能够降低噪声的影响,并捕获行情中的短期和长期趋势。为了降低模型复杂度,同时加快模型训练和避免过拟合,本文仅仅对VMD的分解数据进行了Attention-LSTM建模,该模型将具有长短期记忆能力的LSTM网络与注意力机制结合起来。除此之外,本文还应用了Dropout和批标准化来避免梯度消失或爆炸的问题。模型构建完成后,将分解得到的10个分量数据按照时间步和涨跌标签构建训练集,并使用该训练集训练Attention-LSTM模型。除了深度学习外,本文也将XGBoost机器学习算法应用到交易中。该算法将Attention-LSTM的预测结果、收盘价序列、SMA、RSI和分解数据中的低频分量共5个特征输入给500个决策树分类器进行训练。将该模型应用于2021年至2022年商品期货指数数据,结果显示,在所选择的14个品种中有11个品种收益为正,其余三个品种略微亏损,在收益为正的品种当中沥青bu和聚氯乙烯v的年化收益分别高达172.86%和110.44%,夏普比率分别为2.2和1.47,最大回撤为25.39%和26.37%,除这两个品种外,在其他收益为正的各品种上均得到了较高的收益率。本文除了对所构建模型进行了回测外,还对量化研究中的4个经典策略和策略组合前的模型进行了对比。结果显示,经典策略要么在大部分品种上收益为负,要么收益为正时回撤巨大、波动巨大,组合前的策略效果也远远低于组合策略。因此,本文所构建的模型,在各品种上,无论是年化收益率、夏普比率、回撤水平还是波动水平,整体上均要大大优于经典量化交易策略及单一模型,因而具有很高的参考价值。另外,如果各品种均等权重则只能获得约43%的收益,但回撤却达到了42%。基于此,为了降低投资风险,控制交易过程中的回撤比率,本文进行了投资组合优化,优化目标为最大化夏普比率。从优化结果可以看出,该投资组合从2021年以来获得了61.38%的年化收益率,获得了1.71的夏普比率,以及超过55%的胜率,最大回撤和波动性分别仅为17.42%和1.95%,收益回撤比达到了3.5以上,显示了本文模型通过投资组合优化后在商品期货上所具有的投资参考价值。