随着人工智能技术的深入发展,量化投资出现了崭新的发展趋势,开始向智能化投资转变,机器学习以及深度学习算法开始广泛应用于量化投资决策中。本文主要基于随机森林模型(Random Forest)和XGBoost模型(eXtreme Gradient Boosting)相关的理论,研究金融证券价格走势预测的相关问题。本文采用国内最具代表性的沪深300指数作为实证研究对象,首先根据沪深300指数历史行情数据和基本面数据,以及相关交易品种的历史行情数据,进行特征工程,提取有效的技术分析指标特征和基本面分析指标特征,然后利用数字信号处理中常用的经验模态分解(EmpiricalModeDecomposition,EMD)算法,将指数日内分时走势分解为趋势分量和震荡分量,通过比较两个分量的能量值的大小,将走势分类为趋势和震荡,接着分别建立随机森林模型和XGBoost模型预测指数价格单日走势分类。本文首先介绍了量化投资的发展历程,然后介绍了随机森林模型和XGBoost模型的相关理论基础,最后利用沪深300指数数据进行实证分析。实证过程主要包括:特征提取,走势分类,模型参数优化三个步骤。特征提取结合实际的投资经验,比较全面的选取了沪深300指数以及相关交易品种的技术分析指标和基本面分析指标。模型参数优化采用的是网格搜索算法,结合K折交叉验证选取模型预测结果准确率最高的参数组合。本文的实证结果表明随机森林和XGBoost模型对沪深300指数价格走势预测具有比较理想的预测效果,预测的准确率均达到70%以上,可见,机器学习方法对量化投资决策有一定的指导意义。