近年来,机器学习逐渐被应用在各个领域,例如医疗、交通、人脸识别,除此之外,在金融领域中,也在尝试使用机器学习辅助投资,而股票作为量化投资的一个重要标的,使用机器学习方法探寻股票的未来走势则被越来越多地关注。本文从两个角度设计量化选股方案,分别是传统量化选股方案、基于机器学习的量化选股方案。在传统量化选股方案中,本文基于CAPM模型、Fama-French三因子模型、Fama-French五因子模型设计了三种量化选股方案,并利用2019年7月、8月、9月数据进行模拟交易。结果表明:当市场处于牛市时,基于CAPM模型的量化选股方案收益最高、回撤最小;当市场轻微下跌时,收益为正的量化选股方案中,基于Fama-French三因子模型的量化选股方案收益最高,而基于CAPM模型的量化选股方案回撤最小;当市场严重下跌时,以上三种量化选股方案的下跌幅度均高于沪深300指数。在基于机器学习的量化选股方案中,首先从基本面、技术面两个角度确定选股因子,共选取119个候选因子,根据Spearman相关系数及其显著性,分别利用2019年6月、7月、8月数据进行因子有效性检验,然后基于随机森林、神经网络、XGBoost设计三种量化选股方案。结果表明:当市场处于牛市时,基于XGBoost模型的量化选股方案盈利能力最强,基于神经网络模型的量化选股方案回撤最小;当市场轻微下跌时,基于神经网络模型的量化选股方案收益最高、回撤最小;当市场严重下跌时,各方案均下跌,但是基于神经网络模型的量化选股方案下跌幅度最低。另外本文证实了因子具有时效性。最后,比较传统量化选股方案和基于机器学习的量化选股方案,当市场出现上涨或大幅下跌时,基于机器学习的量化选股方案表现更好,当市场出现小幅下跌时,传统量化选股方案与基于机器学习的量化选股方案各有优劣。