随着中国经济不断发展,民生水平不断提高,进入二十一世纪以来,汽车市场日益繁荣,新车保有量不断提高,国民从消费观念上也渐渐接受二手车,二手车市场稳中有进。截止2019年底,我国二手车交易量高达1492.28万辆,二手车价值评估和预测业务不断发展,对推动二手车市场价格合理化、交易公平化起着重要作用。然而,二手车价值评估和预测业务仍处于初步阶段,无法满足现有庞大的交易市场,缺乏推动市场良性发展的科学性力量。二手车交易数据的复杂性、突发性和多重共线性,利用传统的人工评估方法或者最小二乘法估计模型参数的不稳定性增加,同时影响二手车价格的因素复杂,部分因素的影响难以合理解释。本文作者运用了机器学习算法（随机森林和XGBoost）进行特征变量筛选,简化计算、避免过拟合的同时消除多重共线性的问题,将该方法应用于分析影响二手车交易价格的特征变量中,建立二手车价值预测模型,提高二手车价值评估预测的科学性,推动二手车市场规范化发展。首先,本文作者查阅大量文献,分析传统二手车价值评估方法的发展与不足,之后介绍大数据环境下价值预测的算法理论;其次,从瓜子二手车网站爬取北京、广州、上海、深圳四组二手车交易数据,经过数据预处理、数据指标相关性分析和特征变量的选择,引入机器学习模型（随机森林、XGBoost、LightGBM）,数据集的70%作为训练集,30%作为测试集,将交叉验证方法服务于网格搜索算法以搜索模型最佳参数,进一步提高模型精度和稳定性;最后,通过计算相应的MAE、MSE和R^2三项评估指标并画出预测效果图进行模型对比,得到拟合效果良好的价值预测模型。研究结果显示,所选择的数据指标与二手车价格均具有相关性,其中影响最大的特征是车辆的最新售价,另一方面,不同品牌的二手车由于配置不同,对消费者吸引力不同,表现出价格上的较大差异;通过随机森林和XGBoost进行特征变量选择后,机器学习模型的预测误差更加稳定,效果更好;相比于传统的线性回归模型,三种机器学习模型性能更加优越,其中随机森林模型对二手车价值的评估预测效果最好,其次是XGBoost模型和LightGBM。论文最后从样本量、特征数量、模型融合三个角度提出展望。