随着中国资本市场的高速发展,利用机器学习进行证券市场研判、模拟股票交易,为量化交易领域提供了新的解决思路。近年来,在量化交易与机器学习结合的领域,为了提升市场状态表达,同时分析多个股票成为研究的趋势。相比于欧美市场,我国A股市场散户比例较高,板块轮动效应表现得尤为强烈,甚至形成了特色。但目前大部分研究只针对欧美市场,缺乏A股的相关研究工作。除此之外,这些研究通常采用低频日线数据作为股票的状态表达,没有充分利用高频数据。本文的研究工作主要分为三个部分:第一个部分,建立相关数据集。首先建立了原始数据集,包括低频和高频数据,以及板块分类数据。然后设定了一些特征因子,除了包含基本数据和常用的技术指标,围绕板块轮动效应,还设定了排序指标和板块指标。最后对原始数据进行二进制流存储、数据清理和数据规约,计算特征因子并进行数据的归一化、建立索引文件,最终生成了能体现板块轮动效应的增强数据集。第二个部分,提出市场状态表征模型ffusion。首先我们分析和总结前人的研究工作中存在的不足,确定目标是从关联股票集中筛选出可以代表市场状态的股票,结合A股的特性设计了模型的总体框架。然后设计模型的具体结构,将高频数据和低频数据编码器结合起来,对于高频数据中的噪声问题,加入变分自编码回归器进行降噪;对于低频数据的特性,加入注意力机制。最后我们对噪声处理模块的构建方式、截止参数K的鲁棒性和特征因子的有效性进行了实验,另外用ffusion模型对流行的二分类模型进行有效性测试。实验结果显示,与原始特征相比,引入包含市场状态的增强特征,对LSTM、Stock Net和Adv-LSTM三个流行的二分类模型的预测准确率分别提升了6.05%、6.24%和4.48%,马修斯相关系数分别提升了0.151、0.136和0.134。第三个部分,提出基于ffusion模型的量化交易算法。首先我们确定用强化学习实现量化交易算法,根据A股T+1和不能做空的交易规则,结合量化交易的过程,利用ffusion模型分别设定MDP模型中的四个要素。然后我们选择DDPG算法作为优化算法,将ffusion模型进行一定的改动,设计了Actor模型和Critic模型。最后我们设计实验,在50支股票上对算法进行了训练和回测。实验结果表明,与单个品种的原始特征相比,基于板块轮动效应的增强特征一定程度上规避了由板块轮动效应导致的系统性风险,算法的收益率和夏普率更高,在700个回测区间中84.71%的交易区间得到了证实。