本文创新性地将机器学习中的Boosting模型与逆向投资策略相结合,并探索将其用在中国证券市场,希望即能保留逆向投资的思想理念,寻找市场阶段性关注度较低或未被人挖掘出来但基本面良好的股票进行投资;同时又能利用机器学习的高效数据分析和准确客观判断的优势,排除投资者的非理性情绪影响,从而形成更为有效易行的策略方案。本文选取的股票池是自2007年以来的全A股,剔除ST和停牌、刚上市三月内的股票。根据逆向投资策略的要点和衡量标准,对成交量、涨跌幅、收盘价等各类数据信息进行筛选并合成出相应的指标,再对其进行特征提取、数据预处理和训练期参数调节等过程;随后按机器学习方法,对Boosting模型进行样本内外滚动训练学习、重要性分析、分层测试分析等流程步骤,并对模型结果和回测组合进行比较和优化,主要包括Boosting模型内部细分算法(GBDT、XGBoost、Adaboost)比较、与线性回归、支持向量机、随机森林和朴素贝叶斯等对照模型比较、选股组合按是否行业中性进行比较、不同调仓频率(分月度和季度)的回测比较分析以及模型止损优化等步骤,最终获得较为理想的方案。基于以上研究过程,本文发现XGBoost分类正确率略微胜于Adaboost和GBDT,而运行速度和模拟回测效果远胜于其他两种。其次,XGBoost模型在分类效果指标正确率和收益率上均胜于线性回归、支持向量机、随机森林和朴素贝叶斯等对照算法模型,但最大回撤率不及线性回归模型,而运算速度上有明显优势,其他所需运算时间普遍为XGBoost的2~8倍。同时按选股是否行业中性及不同数目进行比较,发现随选股数量的增多,收益率逐渐下降,最大回撤率则提高,表现最优的是各行业入选2只股票,或全A股市场选择20只股票。而月度调仓组合和季度相比,除最大回撤率相对较高外,其他指标如收益率、夏普比率等均更优。而在加入止损条件后,年化收益率明显提高,可达28.5%,最大回撤率也有显著下降,优化效果明显,逆向投资策略在中国证券市场仍有效。由于XGBoost较为复杂,策略模型搭建和优化上仍有些不足,未来可以在回测训练参数、构建的策略指标以及止损条件等进一步优化和完善。