近年来,我国经济迅速发展,居民在完成财富积累的同时,对于理财的需求逐渐扩大,国内多层次资本市场体系的建立建全,也为国内投资者创造了良好的投资环境。在这种背景下,投资者对于投资方法的研究也更加深入。量化投资凭借其客观性、准确性和时效性等多种优势,从众多选股方法之中脱颖而出,成为投资领域的热门话题。随着大数据与人工智能技术的进步,越来越多的投资者开始尝试将机器学习算法的思想应用在实盘选股中,为量化投资领域贡献了众多优秀策略。本篇论文以2015年1月1日至2021年1月31日沪深300成分股的全部交易日数据为研究对象,选用包括财务因子、规模因子和行业因子在内共计30个因子作为因子池,以LightGBM为主要方法建立选股模型。其中,采用2015年1月1日至2019年12月31日的股票数据作为训练集,建立预测模型,采用2019年1月1日至2021年1月31日的股票数据作为测试集,对模型的预测结果进行评估。通过建立模型,尝试研究以下问题:（1）利用集成学习模型LightGBM选择股票效果分析;（2）使用SHAP方法对黑盒模型进行事后归因分析;（3）结合模型预测效果以及归因分析结果,提出合理的投资建议。首先,论文以股票下月涨幅是否能够超过沪深300指数为预测目标,采用LightGBM算法建立选股模型,并利用网格搜索法对模型参数进行调优。确立以精确率为调参方向,最终模型具备60%左右的预测精确率以及65%的预测准确度,引入模型后投资者选股收益率超过沪深300指数收益率的可能性提升了25%左右,实盘回测收益也超出基准收益。其次,论文利用SHAP方法对选股模型进行事后归因拆借。拆解结果表明每股盈余、净资产收益率、营收同比增长率、流通市值这四种因子对于模型预测结果的影响最大。直接利用上述四种因子建立选股模型的预测效果同利用因子池内全部因子建模的预测效果相比,差异较小。最后,根据建模结果以及对于模型的事后归因,可以得出结论:投资者可以通过持有高每股盈余、高净资产收益率、高营收同比增长率的股票,辅以灵活科学的交易策略,达到获取超越指数收益的目的。