随着我国计算机、互联网和大数据技术的迅速发展和股票等证券市场的蓬勃发展,程序化智能化投资模式正在快速地兴起和发展。人工智能技术的发展极大地提高了机器学习能力。计算机可以快速处理大量数据,总结有价值的信息和规律,制定新的投资策略并修改和完善现有的投资模型。本文通过机器学习算法和物理模型建立一个应用在股票市场中的程序化投资模型。通过数据挖掘方法和机器学习算法对影响股票价格的因子进行分类与筛选,运用决策树算法分析基本面候选因子所带来的复合收益,超额收益以及相关性,运用逻辑回归算法分析技术面候选因子的预测准确情况,进而选取对股票价格有显著影响的市场有效因子。考虑股票市场的实际情况以及国内宏观经济状况等对股票价格的影响,引入经典物理模型卡尔曼滤波模型对股票市场的技术面有效因子进行改进,主要应用到空间状态模型、新息过程以及卡尔曼增益计算等,以期使股票市场技术面有效因子可以更加显著地表现股票价格的变化趋势。通过多因子模型从基本面和技术面角度对股票进行程序化筛选组成股票池,建立具有优势的股票投资对象。并构建投资模型的投资思路与风险控制方法。最后实现投资策略模型的程序化。在实证研究中,使用股票池的历史数据对程序化投资模型进行回测,并将程序化投资模型用于实时模拟盘中进行测试,从净收益率与最大回撤等方面对程序化投资模型加以改进。本文通过机器学习算法和物理模型进行研究并建立一个应用在股票市场上的程序化投资模型,通过历史数据以及实盘模拟对程序化投资模型不断测试与改进,以期通过概率优势获得超额收益,帮助投资者在股票市场中获得更高的回报。