统计套利以做空机制为基础,通过对两种或多种相对价格偏离均值的资产组合构建多头和空头组合来获取收益。该方法由于其可观的收益,被广泛应用于国外证券市场。随着2010年,融资融券业务和沪深300股指期货的相继推出,做空机制在国内股票市场得以实现,统计套利受到越来越多研究者的关注。协整法作为统计套利的常用方法之一,也得到了许多研究者的关注,但目前国内研究多集中于同一行业前提下,且对于多变量协整套利的研究相对较少。股票的基本面信息能在一定程度上反映股票的内在价值和价格波动。而机器学习中的聚类算法能对输入样本的特征数据进行学习归纳从而对样本进行类别划分。因此本文将机器学习中的聚类算法与协整检验相结合,提出了一种基于机器学习的跨行业多变量协整检验方法来筛选具有协整关系的多变量协整股票组合,并对其进行实证分析。具体研究内容及结果如下:(1)通过研究目前国内常见的协整套利策略,发现多数研究采用在同一行业中且相关系数较高的两只股票进行协整套利。为此本文提出在跨行业的前提下,研究股票的多变量协整关系。本文以公司报表中的净资产收益率(ROE)、总资产收益率(ROA)、净利润现金含量、营业利润增长率、净利润增长率等9个基本面指标作为特征对初始股票群采用K-Means聚类算法进行聚类分析,得到可能具有协整关系的多元股票组合,以验证不同行业股票间是否存在多变量协整关系。最后选取沪深300股指期货的成分股作为初始股票群,对2019年1月1日至2019年12月31日间的数据运用本文提出的基于K-Means聚类算法的跨行业协整套利策略进行实证分析。同时对相同条件下的同行业协整套利策略进行回测,对比分析二者的回测结果,证明了跨行业股票间确实存在协整关系,且具有套利的可能性。(2)由于K-Means聚类算法随机选取初始质心且采用启发式的迭代方法对样本进行划分,导致多次实证中筛选出的协整股票组合存在变动,为此本文提出一种基于DBSCAN和层次聚类的协整套利策略。首先通过基于密度聚类的DBSCAN算法对初始股票群进行一次聚类,然后采用层次聚类中的AGNES算法对上次聚类结果进行二次聚类,得到股票数适中的可能具有协整关系的股票组合。并选取沪深300股指期货的成分股作为初始股票群,对2019年1月1日至2019年12月31日间的数据进行回测,随后对本文中提到的两种方法进行多次回测对比分析二者的实证结果。结果表明基于DBSCAN和层次聚类的协整套利策略较基于K-Means聚类算法的协整套利策略效果更优且更加稳健。