随着中国经济的快速发展以及金融市场的不断完善,股市吸引了很多人的目光,股票市场的波动不只对投资者具有重要意义,对国民经济和金融市场的发展都具有重要意义。沪深300股票指数和中证500股票指数可以代表大中盘的变化,一直是投资者密切关注的两个指数。预测股指涨跌一直是投资者实际操作和金融理论研究方面的热点。本文使用隐马尔科夫模型(HMM)进行股票指数上的择时策略研究,将指数的波动问题转化为机器学习中的分类问题,通过观测序列作为模型的输入变量,来推测未知的转移矩阵和隐状态。本文先使用随机森林方法对股指数据进行分类预测的建模,通过K-折交叉验证的方法,最终得到原始特征变量的重要性程度的排序,其想法是先将对预测股指涨跌有效的变量筛选出来,剔除对预测股指涨跌无明显作用的变量,降低自变量中的噪声数据,优化模型的输入。在进行滚动回测时,由于每次模型的隐状态编号是变化的,本文提出基于支持向量机的自动分类方法,对隐状态最可能适合做多还是做空进行自动分类,最终构建一个多空策略。在实证分析过程,本文以从Wind金融数据终端获取的2008年1月到2018年3月的沪深300指数和中证500指数的日交易数据作为原始数据,以随机森林模型和隐马尔科夫模型为理论基础,构建了回测模型,并得到较好的择时策略。