期货市场是一个已发展成熟的金融衍生品市场,主要是利用合约买卖,对冲现货的风险。二零一零年以后,量化投资已逐步成为国际金融交易市场的热门发展方向。但随着机器学习、数据挖掘等算法也逐步运用到证券、商品现货等金融市场,怎样使用更好的模型,形成准确率更高的决策过程,是投资者和投资机构最关心的事情。从目前机器学习的应用来看,单个模型在各市场的表现一般。而Stacking集成学习方法,作为一种能够有效提升模型预测性能的方法,在各个领域得到了广泛的应用,并取得了一定的成果。因此,为了优化单个机器学习模型表现一般的问题,本文基于Stacking集成学习方法构建量化交易策略,并在不同品种的商品组合上进行测试,探寻最适合该模型的品种,构建具有一定盈利能力的策略。本文对商品期货的价格涨跌进行预测,并在涨跌预测的基础上提出两种量化投资策略。第一,本文对商品期货价格预测的理论以及文献进行分析。第二,基于支持向量机、BP神经网络等模型,分析采用基础模型的情况下对单一品种进行预测的情况,并且指出交易中存在的问题。第三,本文采用Stacking模型集成支持向量机、BP神经网络、随机森林以及梯度提升决策树模型扩展模型的算法。同时,对Stacking模型参数优化,组合不同层次的单一学习模型,提升了价格预测的准确性。为得到Stacking模型的最优参数,采取遗传算法设计参数的最优化方法。第四,构建技术指标作为模型的预测特征,采用IV值筛选特征指标。第五,对基于优化的Stacking模型的25种商品期货的价格预测结果进行分析,对比单一模型验证最优参数的有效性。在此基础上,基于资金管理理论提出两种交易策略,对照策略进行预测,进一步说明了价格预测的有效性。本文的研究结论如下:（1）对于单一模型而言,在单一品种上进行交易存在收益率较低、风险较高、预测准确性较低等问题。从各个模型的预测准确性可以看到,单一模型的预测性能,在查准率、查全率、准确率、真负率以及AUC指标上的值均较低。（2）可以看到采用优化的Stacking模型对商品期货次日涨跌预测的查准率为0.779,查全率为0.789,准确率为0.801,真负率为0.809,AUC为0.791,均比单一模型更高,说明优化的Stacking模型对商品期货次日涨跌预测的效果更好。从构建的交易策略来看,优化的Stacking模型构建的日内交易策略具有较好的性能,其中,十年测试的复合年化收益率为18.44%,最大回撤率为25.79%,具有较好的盈利效果。（3）从单品种与多品种组合的对比来看,多品种组合能够降低策略的风险,提高策略的盈利能力。本文研究使用三层结构构建Stacking期货价格预测模型改进二层Stacking模型的不足,提高模型的预测能力,并选择相关性较低的商品期货品种组合的价格数据进行测试,进一步丰富了量化投资的研究。