择时和择股是智能金融领域中证券投资的重要组成部分,同时也是金融投资领域中的两大关键问题。文章将机器学习中的聚类、分类、以及深度学习等前沿的技术应用于金融投资中的择时与择股研究,提出了切实可行的择时和择股策略,一方面丰富了智能金融体系,另一方面增加了投资回报,提高了市场的有效性,具有重要的理论和实践意义。主要研究内容和贡献包括:1.文章提出了股票市场结构性分歧概念,探索了股票市场结构性分歧对股票市场收益的影响。区别于前人从投资者视角对个股分歧进行研究,文章从股票市场入手,结合机器学习中的聚类算法和Gini不纯度创新地提出了股票市场结构性分歧的概念,并探究了股票市场结构性分歧对股票市场收益的影响。通过中证100成分股市场的实验发现:在2015年4月到2015年8月期间(我国股票市场局部见顶及急速下跌期),中证100成分股市场出现了极端的股票聚集现象,中证100成分股市场的结构性分歧异常变小;此外,中证100成分股市场的结构性分歧对市场的收益有显著的影响,股票市场的结构性分歧越大,股票市场未来两周的收益将会显著增加。2.文章分析了我国股票市场的可预测性,探索了结构性分歧对市场可预测性的影响,并从技术因子层面解释了市场结构性分歧的影响因素。考虑到机器学习的优异性能,文章选用机器学习领域经典的且在其他领域有很好表现的五种机器学习分类算法(Linear Regression(LR)、Ada Boost(AB)、Gradient Boosting(GB)、XGBoost(XGB)、Random Forest(RF)),从更严谨的角度分析了我国股票市场的可预测性。通过中证100成分股市场2016年12月26日到2018年7月1日的测试结果发现:我国股票市场呈现出短期不可预测、长期可预测的特征;特别是,文章提出的市场结构性分歧因子能够进一步提高股票市场盈亏的预测准确性(平均提高一个百分点),准确性达到59%;最后,文章发现我国中证100成分股市场的结构性分歧主要来源于技术因子层面的交易量以及市场资本的净流入。3.文章提出了市场结构性分歧视角下的一种择股策略,从基本面因子层面解释并验证了该策略的有效性。考虑到市场结构性分歧对市场收益的影响,文章提出了市场结构性分歧视角下的一种择股策略,通过中证100指数成分股市场2014年1月3日到2018年8月24日的实验结果发现:文章提出的择股策略累计收益达到1.5左右,而同期的中证100指数仅有0.6,表明文章提出的策略显著优于市场指数;同时,在上证180以及沪深300指数成分股市场上验证了该策略的鲁棒性及有效性;此外,文章基于金融领域常用的CAPM模型、Fama三因子模型、Carhart四因子模型、以及Fama五因子模型对组合的收益进行了分析,发现文章提出策略的收益可以被市场因子、市值因子、账面市值比因子、以及动量因子进行解释,但因子解释后仍存在显著的α收益,进一步证明了策略的有效性。4.文章分析了不同市场状态下维数约减对择股策略的影响,并基于该影响提出了一种新的轮动择股策略。考虑到市场结构分歧视角下择股策略中使用了聚类算法,而维数约减是高维数据聚类分析中不可或缺的过程,且市场行情、维数约减、以及噪声交易间存在复杂的关系,文章进一步探索了不同市场行情下维数约减(主成分分析、堆栈式自编码、受限玻尔兹曼机)对择股策略的影响,通过中证100指数以及日经225指数成分股市场的实验结果发现:维数约减可以显著提高震荡行情下择股策略的表现,但其具体优势体现在上涨行情还是下跌行情依赖于所分析的市场;进一步地,文章基于维数约减在不同市场行情下的影响,提出了维数约减和非维数约减之间轮动的选股策略,通过中证100、上证180、日经225、标普500指数成分股市场的实验发现文章提出的轮动选股策略周度收益率的Sharpe率显著优于同期的市场结构性分歧视角下的择股策略和市场指数。文章基于机器学习中的聚类、分类、以及深度学习技术,深入探讨了金融投资领域的择时和择股两大问题,旨在提出新的择时因子和择股策略,完善智能金融体系,并为投资者和监管者提供投资和监管建议,具有重要的理论和实践价值。