随着国家信息化建设的发展,将计算机先进技术应用于金融市场,从庞大的数据中学习交易规律,从而制定策略指导交易,已经成为一种非常广泛的投资方式。在人们的物质生活得到了极大提升之后,越来越多的人参与到股票投资之中,程序化的股价研究既能规避投资者因情绪变动而出现的主观误判,又能在庞大的数据中挖掘出人力无法发现的隐藏规律,因而被众多专家学者所关注。对于人工分析股票规律的不足之处,投资者通常希望能获得一种最适合当前阶段的智能化投资策略,从而在承担低风险的同时获得较高的收益,本文将机器学习模型预测出的股价涨跌结果与交易策略结合起来,期望形成的新交易策略可以获得更高的收益率,承担更低的交易风险。首先,构建基于机器学习的股价涨跌预测模型。使用近些年在二分类问题中应用比较广泛的XGBoost模型、Light GBM模型和Cat Boost模型预测股价涨跌,在此基础上,选用基于Voting的方法进行模型融合,构成预测股价涨跌的融合模型。模型的输入数据由两部分组成,第一部分是股票交易数据和技术指标,第二部分数据是微博文本数据。由于股票的技术指标是由股票的交易数据通过不同的数学方法计算得出,两者之间具有一定的相关性,所以本文使用主成分分析的方法处理数据。第二部分数据通过爬取微博网站获得,将爬取的微博文本数据进行情感分析,以日为单位,对生成的情感值取平均。将以上两部分数据按日期连接,形成数据集,并基于XGBoost、Light GBM、Cat Boost这三种集成学习算法构建基础模型,采用Voting方法构建融合模型。其次,构建基于预测结果的交易策略,该过程分为两个步骤。第一步,采用传统交易指标,构建基础交易策略模型,寻找适合2018年至2020年的最佳交易策略。本文使用区间滚动训练的方法寻找在验证集区间表现最好的交易策略组合。第二步,将模型预测的涨跌结果通过一定的方式转化为交易信号,与基础交易策略发出的交易信号一起,共同指导交易操作。最后,本文将股价涨跌预测结果结合基础交易策略,形成新交易策略,应用到验证集区间,进行模拟交易。交易结果显示,基于预测模型的交易策略比单纯使用基础交易策略盈利率更高,最高盈利率可达基础策略的3.2倍,且最大回撤率降低了5.4%。由此,可以得出基于融合模型预测结果的交易策略比基础交易策略可以获得更高的收益率,也为投资者分析市场行情提供新的思路。