Smart Beta是基于数量化投资或者规则化的方式投资于特定领域或特定目标,它是一种介于主动投资和被动投资之间的投资策略。目前国内的Smart Beta产品虽然在快速发展,但是品种数量和规模都有很大上升空间,并且国内几乎没有针对中证800指数的Smart Beta产品。为了丰富投资品种和拓宽机器学习于Smart Beta策略应用上的理论边界,本文拟采用XGBOOST模型复合多因子的方式,构建一款以中证800指数为基准的Smart Beta产品。本文将策略构建过程大致分为以下几个部分:单因子构造和检验,因子共线性处理,预测模型构造,模型训练及调参,策略择时优化。文中选用的是从2014年至2020年中证800成分股的行情数据和财务数据,策略回测有效时段为2015年至2020年。单因子构建阶段利用IC、IR和分层回测方法共筛选了五大类因子,包括规模因子,价值因子,成长因子,动量因子和情绪类,大类因子下又细分出共计九个因子。机器学习模型选取了对结构化数据有着良好的预测效果的XGBOOST模型,并采用二分类模式。作为对比,本文构建了两种预测目标,分别是股票第二天的收益率是否大于零以及第二天收益率是否大于前10天收益率的平均值。XGBOOST在训练时采用滚动训练方法以及贝叶斯优化调整超参数,然后利用训练完毕的模型进行滚动预测。根据不同预测目标和成分股池,本文一共构建六种策略作为对比分析。由于XGBOOST的输出为叶子节点分数,代表了预测为正类的置信度,因此本文亦构造了以叶子节点分数为成分股权重的策略。策略回测后的绩效表明,利用XGBOOST构建的六种策略都能超越基准——中证800指数,其中最优的两个策略年化超额收益近20%。另外,贝叶斯优化在调参训练时能显著降低计算资源消耗,大大缩短模型的训练时间,同时还能提升模型的表现。而由于过拟合问题,以叶子节点分数作为成分股权重的策略并没有超越等权策略。最后,在策略组合层面上,由于不同的预测目标会导致策略在不同行情中表现有差异,故可利用XGBOOST预测股票涨跌数来预判未来大盘行情,并以此来选择适应行情的策略。通过回测计算,择时之后的组合策略在收益和风险的表现上都大大提高,年化超额收益率和夏普分别提高到25.90%和0.86。