股票指数是为度量股票市场总体价格水平变动趋势而编制的价格指数,它能够灵敏的反映出所在国经济的变化状况,因而有现代经济“晴雨表”的称号。以股票指数为交易对象的股指期货也因此有着巨大的投资价值,国内外很多研究者都一直在尝试用各种方法对其价格变化进行预测。XGBoost(eXtreme Gradient Boosting)是一种比较新的机器学习算法,具有较高的运算效率和准确率,基于这一算法建立模型对股指期货价格进行预测,能够在投资者进行投资决策时起到一定的帮助,具有较强的理论和现实意义。本文在前期对证券价格预测模型的研究及相关文献梳理的基础上,通过优化输入向量及采取更为科学的对抗过拟合的方法,提升了XGBoost算法在股指期货价格上的预测效果。首先,本文对沪深300指数在样本区间内的走势做了深入的分析,建立了包含趋势型、超买超卖型、成交量型、停损型四大类共计46个技术指标的因子池,以保证股指期货价格中所包含的信息能够得到充分的挖掘。其次,依据XGBoost模型在训练完成后计算出的各个特征的重要性得分,筛选出重要性排名较高的特征作为预测模型的输入向量,这一做法在降低了模型的复杂度的同时,也提高了模型的预测效果。在对抗模型的过拟合问题上,本文从理论层面上对传统交叉验证法和时序交叉验证法进行了区分,并对传统交叉验证法易造成模型出现过拟合的原因进行了深入分析。实证研究的结果表明,与传统交叉验证法相比,时序交叉验证法无论在模型的预测效果,还是在运算速度上都更具有优势。据此,本文构建了基于XGBoost的沪深300股指期货的交易策略,并将该策略在样本外的回测绩效与基于随机森林模型所构建的交易策略进行了对比,结果表明前者取得了较高的收益。最后,本文总结了预测模型和投资策略构建过程中的不足,并对未来的改进和研究指明方向。