本文将基于支持向量机和决策树两种机器学习的算法,对股票收益率进行预测并进行筛选和二次分类,最终构建出能稳定获得超额收益的投资组合策略。本文构建投资组合策略将分为:第一,选取2004年到2017年作为样本区间,并以区间内的数据作为样本数据构造所需的分类因子。第二,对数据进行预先处理,剔除异常值,补充缺失值,对机器学习训练的数据集尽可能保持完整和准确。第三,选取分类的核函数和分类器的参数寻优。第四,对分类器进行减枝处理,减少不必要的分类节点以防止过拟合的风险。第五,对模型进行评估。通过与沪深300指数的收益率进行比较对策略的绩效水平进行衡量。本文将85个因子数据进行了剔除异常值、填补缺失值和数据标准化操作之后,通过因子有效性检验,挑选出66个统计上有意义的异象因子。接着将有效因子分别构建单因子和多因子投资组合同策略,实证结果表明,多因子投资组合策略能取得更好的效果。随后把异象因子作为分类因子分别输入支持向量机预测模型和决策树分类模型。首先,在支持向量机预测模型中输入数据集,并划分为训练集、验证集和测试集。每次训练预测模型都选取当时时间点可选择的全部历史数据进行学习,利用与下一期收益率的比对来判断预测的正确与否,并调整算法模型,计算出股票样本下一周期上涨的概率。然后在决策树分类模型中,计算并比对分类属性,逐一获得10组分类因子,每组分类因子包含20只股票样本;取分类属性最好的一组,通过相同权重的方法构建投资组合,并计算此投资组合的收益指标与风险指标。结果表明,本投资组合能稳定超过沪深300指数。最后通过统计检验证明,本策略的收益并非偶然。