朴素贝叶斯法是基于贝叶斯定理的一种分类算法,其大量应用集中在机器学习与人工智能领域。在金融市场中的应用则尚处于初步阶段,主要应用于CTA交易策略的构建。目前,该分类算法所构建投资策略的主要参数,依然是传统的价量指标及基本面指标,缺乏灵活性。本文拟从A股市场的短期波动规律入手,将股票历史收盘价序列分段,获取不重叠、等长子序列的数据集,以子序列内元素的索引作为朴素贝叶斯分类算法新增的参数,构建量化投资策略,并实证其效果。对于该参数的研究,本文主要分为如下几个步骤:首先,以创业板为研究对象,对创业板股票的历史收盘价数据进行处理,观察其在2016年1月1日至2018年6月1日期间的涨跌分布,找寻其中的分布规律。其次,根据观测结果找出合适子序列的长度,对历史收盘价数据进行分段以获取参数值,基于朴素贝叶斯分类算法,初步构建出一个指数交易策略。观察基于该参数的投资策略,能否取得超出市场表现的收益。最后,本文对参数进行优化。将子序列的长度设定为变动值,同时扩大样本数据的选取范围,以实证该策略的“可行性”。通过程序遍历,找出2016年1月至2019年1月期间,上海主板、中小板、创业板各自最优的子序列的长度。取子序列内元素的索引作为朴素贝叶斯分类算法的特征参数之一,并以2019年最新的交易数据构建投资组合进行测试。从而对比加入该参数后的投资策略,较之以往的策略是否更加有效。通过对比不同特征参数下的投资策略所构建投资组合的收益率表现。本文得出以下结论:将股票历史收盘价数据,分割为等长的子序列,以子序列内元素的索引作为参数,对朴素贝叶斯法所构建量化投资策略的参数进行拓展,能够提升策略收益,具有比较好的实证效果。