自从股票及期货市场诞生以来,人们就一直不断使用各种数据模型、机器学习以及数据挖掘等方法来预测股票价格的未来走势从而获取收益。其中神经网络机器学习算法被广泛使用,这是由于神经网络自身的高度自学习性,稳定性以及非线性拟合能力,相比于统计学以及计量经济学中的数学模型,神经网络用于预测金融时间序列更具优势。在全球股票市场中电子化交易平台发挥着越来越重要的作用,量化交易规模不断增加。西方国家很多投资机构都在使用量化交易,其表现出程序化交易等特点,获得广泛关注。中国证券市场采取T+1交易制度,所以本文选取期货市场中的股指期货作为研究对象,使用神经网络技术、EMD(Empirical Mode Decomposition,经验模态分解)技术进行量化建模,提出EMD-NAR量化择时策略,并对其进行深入研究,并与量化交易系统中常用的双均线交易系统、DualThrust交易系统进行对比回测,通过实际测试发现,EMD-NAR量化择时策略在各项指标上均大幅优于双均线交易系统、DualThrust交易系统,是一种非常适用于短线交易的量化交易系统。本文突破了传统的使用神经网络对价格预测的惯性思维,转而寻找利用神经网络实现对量化交易策略的实现方法。首先提出使用EMD算法对原始时间序列进行分解,并从其分解出的本征模函数中组合出处处连续可导的低频趋势项,使用神经网络对低频趋势项进行预测,达到了极佳的拟合效果。而后从EMD算法分解出的本征模函数中组合出高频噪声项,并对其进行了特性分析,得到了其均值回归的特性,并进一步运用在择时交易里。最后结合EMD算法和NAR(Nonlinear Auto Regressive models非线性自回归网络)神经网络设计出了EMD-NAR量化择时策略,对低频趋势项使用NAR神经网络进行预测,对高频噪声项使用其均值回归原理进行分析,综合两方因素发出交易信号实现了高胜率、稳定回报的量化择时策略。