我国资本市场经历了三十多年的发展,股票投资在人们的日常生活中扮演着越来越重要角色,股票市场直接关系到金融市场的稳定和经济的健康持续发展。在金融投资领域,随着人工智能领域机器学习的兴起,大量学者使用机器学习的方法研究市场变化、行业走势、预测股票价格,以此实现对股票投资的指导。但机器学习范围面广,所涉及的算法也较多,不同方法之间是否存在显著差异,使用不同的方法来预测股票价格,是否会得到不同的效果,本文使用实证研究的方法并结合实盘回测来比较不同的机器学习算法预测效果,为后续使用者提供机器学习算法的选择依据。文章选取沪深300指数2005年1月1日到2020年12月31日近15年的日度数据,选取开盘价（Open）、收盘价（Close）、最高价（High）、最低价（Low）、成交量（Volume）、成交金额（Amount）、振幅（Amplitude）和涨跌幅（Change）作为特征,利用最小二乘回归模型、Lasso回归模型、Ridge回归模型、决策树模型、随机森林、GBDT梯度提升算法、BP神经网络七种不同的机器学习算法模型,对训练集数据进行拟合,使用测试集数据拟合图及不同评价指标对模型算法预测精度进行评估。最后利用不同机器学习模型的预测结果,确定买卖信号构建择时量化策略,选择聚宽量化交易平台,确定回测区间为2018年6月1日至2020年12月31日进行实盘回测,比较不同模型预测效果。结果表明选取的七个模型在实盘策略构建中,均获得超过基准收益的表现,其中Lasso回归模型在回测区间内超额收益达到27.14%,回测效果最好。在机器学习多模型比较和金融时序预测问题上,该文章具有一定的现实意义,可为相关研究者提供参考借鉴。