本文首先介绍了文章的研究背景与意义、研究目标与研究内容、研究思路和研究方法,以及论文的创新与不足。接着介绍了国内外关于量化投资和可解释性的相关内容。紧接着介绍本文所使用的机器学习算法原理。在实证部分,本文基于Gu等（2020）的研究,进一步探究机器学习方法在中国股市中的表现,并且在其基础之上,加入了新兴的LSTM模型。在预测变量的选取上,Gu等（2020）采用了个股层面、行业层面以及宏观层面的数据作为预测变量对美国股市进行预测;而本文在综合考虑数据的更新频率和数据获取的难易程度后,选择股票的历史交易数据来预测沪深300指数成分股的收益率。在预测效果上,Gu等（2020）的研究中对美国股市预测效果最好的模型为NN3模型,其样本外~2为0.40%;而本文仅采用了历史交易数据进行预测,却达到了更好的预测效果,本文的LSTM模型和RF模型的样本外~2分别为0.74%和0.48%,均高于Gu等（2020）最好模型的样本外~2。这说明机器学习方法在中国股市的预测问题上具有非常广阔的发展前景。在线性与非线性模型的整体表现上,Gu等（2020）的研究结果和本文的研究结果是一致的,都表明非线性机器学习模型的表现比线性模型更好。接着,本文探讨了LSTM模型的预测准确率和在熊牛市中的适用性,研究结果表明,LSTM模型的上涨预测准确率达到56.75%,而Fischer和Krauss（2018）对标普500成分股预测的准确率最高为54.3%,本文具有更高的预测准确率,预测效果更好。在对熊牛市适用性的研究中发现,LSTM模型在牛市中的上涨预测准确率达到57.29%,在熊市中的上涨预测准确率为50.05%,显然牛市中的上涨预测准确率更高,这也说明了LSTM模型能够更好地获取市场中的动量效应信息。进一步地,本文基于样本外~2最高的LSTM模型的预测结果对沪深300指数成分股进行量化交易分析。在不考虑交易费用时,2015-2018年期间该交易策略四年的累计收益率达到148%;进一步考虑交易费用,发现该策略仍能获得显著的超额收益。同时,仅通过历史交易数据就能够获得超额收益,也表明我国的股票市场尚未达到弱式有效。然而在现实中,仅仅知道机器学习模型的预测效果好是不够的,在实际应用的过程中,对模型可解释性的要求非常高。当一位基金经理根据机器学习的预测结果向他的客户推荐一支股票的时候,他需要解释为什么推荐这支股票。因此,为了增强复杂机器学习模型的可解释性,本文进一步对预测股票收益的重要变量、重要变量与股票收益预测结果的关系以及复杂机器学习模型的变量之间是否存在交互效应进行分析。本文的研究结果表明,具有预测能力的LSTM和RF模型中,前一个交易日的收益率（close＿t-1）对未来一天的收益率具有明显最重要的影响。此外,我们还发现成交额信息具有次重要影响。非线性模型更好预测力的可能来源之一是准确地抓住了重要的预测变量,从中提取到了预测沪深300指数成分股收益的有用信息。进一步,在研究重要变量和预测结果关系时发现,当只考虑close＿t-1这一个预测变量时,其在LSTM和线性模型中与未来收益率均表现出较为明显的线性函数关系,这也体现出了动量效应;而amt＿t-1、amt＿t-2和amt＿t-3在LSTM模型中均表现出对未来收益率的非线性影响,这种非线性关系可能是提升LSTM模型预测力的原因之一。通过对交互效应的研究发现,在LSTM模型中,变量之间存在交互效应。由于线性模型的变量之间不存在交互效应,这种交互效应也可能是提升LSTM模型预测能力的原因之一。结合上述对复杂机器学习模型可解释性的分析,本文进一步探讨在沪深300指数成分股收益的预测问题上,LSTM模型比线性模型预测效果更好的原因。第一个可能的原因是,金融市场是十分复杂的,预测变量与预测结果之间往往不是单纯的线性关系,线性模型在这种复杂的市场中天然处于劣势地位,而更为复杂的非线性模型在这种情况下往往能够自适应地学习自变量和因变量之间的关系。第二个可能的原因是,LSTM模型准确地把握住了重要的预测变量,从中提取到了预测沪深300成分股收益的有用信息。第三个可能的原因是,LSTM模型敏锐地捕获到了沪深300指数成分股市场中的动量效应。最后,对本文的内容进行总结,并对未来研究工作进行展望。