自我国健全金融市场以来,量化投资凭借大数据统计和科学的投资管理受到了越来越多的关注。但相比于西方市场,我国的量化投资还处于起步阶段,发展前景巨大。传统的量化投资模型多依赖于研究者的金融知识和经验所设计的指标并配合经济学模型或策略,金融知识和经验在量化投资模型的构建过程中起到了主要作用,因而模型的开发和更新的效率较低,人的影响因素较大。而机器学习是一种主要受数据驱动的建模方式,且在处理高噪声的非线性问题上具有天然的优势。在金融数据不断爆炸的大环境下,将机器学习理论运用于量化投资领域具有重要的意义和前景。本文基于机器学习理论对量化投资中的量化择时和量化选股这两种投资类型分别进行研究,并提出相应的量化投资模型,通过对模型进行测试,验证其具有良好的盈利能力和风险控制能力,是一种可以为投资者提供指导的量化投资模型。本文主要内容及贡献如下:(1)针对传统前馈型人工神经网络对金融时序数据进行处理时所存在的缺陷,本文提出基于循环神经网络的量化择时模型,并验证其在不同市场状态下均有稳定盈利能力和较好的风险控制能力,且相比于基于传统前馈型神经网络的量化择时模型具有一定优势。(2)通过改进传统协同滤波模型,提出一种适用于对金融资产进行建模的Alpha协同卡尔曼滤波模型。该模型解决了传统协同滤波在对金融资产进行建模时所遇到的两个问题:其一是缺乏对动态问题进行建模的能力;另一个是无法对金融资产的超额收益部分进行建模。(3)针对传统线性回归方法在挖掘股票价格的潜在因子变量时所存在的缺陷,本文提出基于Alpha协同卡尔曼滤波模型的因子变量挖掘方法,并结合SVR模型设计一种量化选股模型。在长达7年的测试中,对比验证其具有更好的盈利能力和风险控制能力。