本文研究的是泛投资组合选择问题中的基于历史相似集的学习交易策略算法(Similarity-driven Learning-to-trade Algorithm),我们针对原策略算法Bk和CORN存在的缺陷,提出了判别历史相似集的改进方法,给出了新的学习交易策略算法Bv。然后,我们将新策略Bv用于中国A股市场进行数值模拟试验,并将其与原策略算法Bk和CORN进行了比较分析,结果显示：1)基于历史相似集的学习交易策略Bv均能够在A股市场获取长期稳定的收益；2)改进的学习交易策略Bv的收益率优于原算法BBk和CORN;3)改进的学习交易策略Bv对参数的敏感性低于原策略Bk和CORN;4)新策略Bv和原策略Bk、CORN均存在收益率“尖峰厚尾”以及对交易成本敏感的问题。实证的结果表明：改进的学习交易策略Bv在一定程度上克服了原策略BBk和CORN存在的缺陷,表现出了更强的有效性和鲁棒性。数值试验结果还表明,中国股市与发达的股票市场一样,存在收益率“尖峰厚尾”的特点,并且交易成本大大抑制了策略的收益表现。