随着深化金融供给侧结构性改革的推进,我国资本市场体系不断完善,北交所的成立带来新机遇的同时,也让投资者置身于更为复杂多变的金融市场,传统投资手段已难以满足投资者需求。针对日趋复杂的金融时序,本文结合信号分析与机器学习方法建立预测模型,设计合理的量化择时策略与对照组,对预测结果与回测结果深入对比分析。具体来说,本文将沪深300股票指数作为研究数据,首先选用Symlets小波4阶分解以及自适应噪声的完备经验模态分解技术,将蕴含在复杂市场噪声中的指数波动信号按不同频率进行分离,得到更具平稳性的,波动特征更加明显的子序列。子序列重构后构建合适的长短时记忆网络模型对各分量的波动趋势加以预测,并使用判决系数、均方根误等指标进行评判,将预测结果与Elman神经网络、ARIMA模型、单一LSTM模型比较显示,信号分析手段与LSTM集合的混合预测模型相对单一模型而言预测精度得到有效提高。此外本文引入样本熵判断子序列复杂度以及子序列之间的相关性,以此为预测输入分量的重构依据,减少重构误差。优化后模型的预测精度提升明显,其中WT-SE-LSTM模型相对WT-LSTM模型,MAPE指标的精度评价提升46%,CEEMDAN-SE-LSTM相对CEEMDAN-LSTM模型RMSE指标的精度评价提升39.85%,TIC提升39.68%。最后本文基于时序预测模型构建了以预测价格涨跌特征为信号的量化择时策略,并设置单一模型以及技术指标策略对照组,技术指标策略构建基于KDJ指标、OBV指标以及BOLL指标,从而验证本文策略的优势。回测结果显示混合LSTM模型在回测区间内的累计收益优于所有对照模型,拥有最高累计收益的CEEMDAN-SE-LSTM模型在取得了24.1%的累计回报,夏普比率为1.097,策略波动与最大回撤水平较低,分别为6.48%和0.116。故基于混合LSTM模型的量化择时策略也是行之有效的。本研究一方面能够提升个人投资者以及基金经理获取超额回报的能力,另一方面也能让政府监管机构了解量化投资内在逻辑,从而完善监管政策,防范资本市场风险,促进经济稳中求进。