[分析师：金融量化策略] 基于机器学习的贵金属价格预测应用系列2

l 上篇文章初步探索了线性模型，决策树模型和xgboost模型对黄金comex收益率涨跌的预测情况，发现线性策略的表现要优于非线性策略的表现。

l 本篇文章继续对黄金comex日收益率走势进行预测，在上一篇文章基础上进一步完善特征工程，同时引入多种机器学习算法，分别对黄金的涨跌进行预测。最后构建合成信号，探究合成策略是否优于单个策略。

l 具体而言，首先我们针对线性模型和非线性模型将因子特征进行处理分类，通过线性模型和非线性模型生成信号。经过比较发现，纵向来说，调整之后的线性策略年化收益从11.34%提升至22.78%，夏普比率从0.343到0.804，最大回撤从47.37%降低至35.81%，表现显著提升，决策树和xgboost策略表现也有一定的提升；横向来说，线性策略表现远远优于其他非线性模型策略表现，合成策略表现也略低于线性策略表现。

l 最后，后续需要继续深化特征工程，对线性模型进行更深入研究，进一步提升策略表现。