股票市场,作为金融市场的重要组成部分,具有进入门槛低,资产流动性高等特点,在我国实行市场经济的今天,受到了越来越多民众的关注,成为他们的主要投资渠道。然而,与国外健全的股票市场相比,我国市场的参与者中,散户占比较大。由于散户可操作资金及操作方式较少,同时非理性行为较大,因此在我国股市的发展中,机构投资者的比重应该越来越大。机构投资者有着从业人员素质高、资金量大、操作方式多等优势,但为了吸引投资者的资金,必须建立一套完善的投资组合建立方法。总体来说,投资组合的优势在于,能够通过分散化投资以降低非系统风险。同时,通过一套完善的选股规则,投资组合内股票收益应总体高于大盘指数,从而获得超额收益。因此,机构投资者设计的投资组合必须满足两个特点：一、稳健性——投资组合价值不能较大盘指数偏离过大,否则风险难以控制；二、收益性——投资组合不能简单地复制大盘指数,还应该获得超额收益,这才能体现投资组合的价值。综上所述,建立一个能够保持稳健而又能获得超额收益的投资组合就显得尤为重要,而要达到这个目标,就必须对股票市场中的历史数据进行分析。在现阶段的学术界,研究者们越来越青睐使用机器学习方法对金融市场历史数据进行处理、分析及预测。这是因为,机器学习方法具有自适应性、泛化性强,不需要数据的前提分布假设等特点,适合于运用在金融数据分析中。一些传统的机器学习模型,如支持向量机、神经网络等,及其相关的改进模型,被广泛运用在了金融时间序列分析中。然而,这些模型的不足之处在于,虽然其预测准确率较高,但因为一次只能对一个序列做分析预测,因此模型效率并不高。另一方面,因为金融数据的噪声含量较大,如果直接使用,并不能得到理想效果。虽然已有学者使用小波分析的方法对金融序列进行分解与去噪,但他们在运用小波时,大多借鉴了来自其运用于工程方面的经验,而忽略了金融序列的特点和预测去噪需求。因此,本文要解决的主要问题是,为组成一个具有稳健性、收益性的投资组合,必须建立一种在保证预测精度的前提下,预测效率更高的机器学习模型,以对大量的股票历史数据进行分析与预测。在此基础上,针对股票序列的特点：包含大量噪声,但本身具有一定的波动性。因此,本文希望找到一个更加适用于金融序列的小波去噪方法,以在尽可能去除原始序列噪声的情况下,保留自身含有信息的波动。为了解决上面提出的问题,本文尝试使用本来大量应用于推荐系统的矩阵分解方法来对整个价格/收益率-时间矩阵做特征提取及预测,将分析对象从向量转化为矩阵,应该能提升模型的效率。同时,在模型输入数据的处理方面,本文尝试利用更加温和的小波去噪方法对原始数据进行处理与去噪。在具体的实证分析中,本文先利用了矩阵分解的方法对原始股票序列对数收益率做出预测,并根据每一持股周期的预测收益率大小排序,进而选出股票构建投资组合,并尝试寻找投资组合最优参数。其次,因为在上一过程中投资组合的价值与收益率可能无法优于指数,因此利用小波分析的方法,对原始股票序列进行了去噪处理。最后,利用去噪序列产生的对数收益率进行预测并建立投资组合,投资组合的效果有了明显的提升,说明矩阵分解预测方法是有效的方法,同时小波消噪技术能够提高预测精度。通过实证分析,本文确定了全局阈值小波去噪方法为最优去噪方法,持股周期T=20与股票数量N=20为投资组合最优参数。同时,本文的预测、去噪模型及投资组合有着以下特点：一、模型总体状况良好,投资组合价值比较稳定,组合收益在大多数时间中优于大盘指数,而发生亏损时也不会发生较大偏移。二、因为预测模型的优点在于抓住序列的趋势,因此当大盘指数发生大涨、大跌时,投资组合效果更好,组合价值通常高于指数价值。三、全局阈值小波去噪方法比较温和,在大盘指数波动性较大时能良好滤去噪声并保留有效波动；而当指数较平稳时,小波去噪可能对原始序列滤去了更多的有效波动,因此对提升投资组合价值的作用并不大。四、投资组合策略对趋势变换、反转的反应与追踪较慢。这可能会使投资组合错失指数由跌转涨时的部分收益,但也可能规避泡沫破灭下降时的部分风险。本文的创新点在于,首先,利用了多维预测的矩阵分解技术对众多股票的收益率-时间矩阵进行处理,预测出各股票在下一持股周期的收益率,有效地提升了机器学习在股票市场预测方面的效率。其次,本文不对股票池中股票进行选取,而仅仅将全部A股股票去除脏数据后的股票都放入股票池中,以体现模型的高效性。最后,本文不同于其它文献中对原始序列进行小波分解后将高频、低频序列同时预测的做法,而是考虑合理降低小波系数以达到去噪平滑的效果。