随着大数据方法的广泛应用和量化投资的蓬勃发展,越来越多的专家和学者试着将大数据方法与股票市场预测结合起来,而指数走势预测无疑是最有实际意义的分析课题,不仅能用于市场大势研判,还有便捷的套利方式。从实际操作的角度来看,大量研究表明,集成类算法在金融市场预测方面的表现显著优于单一分类器的预测表现。但目前大多数基于集成算法的指数走势预测研究往往只关注技术指标,而忽视了各国股票市场之间的联动作用以及各大类资产之间的影响。本文除常用技术指标外,还将主要国际指数、期货与现货的基差、利率市场、汇率等多种指标纳入沪深300指数特征,在此基础上建立随机森林模型,进而进行指数预测。另一方面,通常认为股价走势由长期趋势和短期扰动共同构成,短期扰动的不确定性无疑给股价走势预测增加了难度。有的研究中采用均线来描述长期趋势,但这样做的问题在于均线有一定的滞后性。本文借用信号处理中常用的小波去噪方法来滤除短期扰动,使长期趋势得以体现,将小波去噪后的指数走势作为随机森林的特征之一。文章首先介绍了小波去噪和随机森林算法的理论基础,然后选取了5大类,共计30个指标来训练模型。并在300个交易日内每日建模、回测,并根据回测结果构建多空组合。结果表明:技术指标、其它重要国际股指、期货以及汇率的变动确实对预测沪深300指数的涨跌起到了作用,小波去噪后的走势也是预测沪深300指数涨跌的重要特征之一。该模型在300个交易日里的预测正确率为57%。根据模型构建的多空组合收益率显著高于指数。