在这个全面数字化转型的时代,量化投资在投资领域中占据着越来越重要的地位。而机器学习分类算法在人工智能快速发展并得到应用的同时,无疑通过其刻画复杂关系和挖掘数据规律的能力,为构建量化投资选股策略助力良多。在市值轮动的背景下,利用机器学习分类算法针对性的刻画不同市值场景下的股票收益特征,并不断提升算法的有效性和合理性,以构建具有收益性和稳定性的投资策略具有现实意义。本文首先结合量化投资、机器学习和市值分层的发展历程、当前背景与现有研究提出研究问题,归纳研究意义,简述研究方法,确定主要研究内容是不同市值类型的股票基于机器学习分类算法的选股策略构建及有效性研究。接着,对多因子选股、机器学习分类算法和市值分层的模型基础进行介绍。最后,通过厘清多步细节确定模型结构和构建平均参数首层策略,并基于Python进行策略回测,从收益性和稳定性两个方面对大、中、小市值股票下的选股策略进行有效性对比,并进一步做经济学含义解释。本文以2011年4月30日至2021年9月30日的中证100、中证200和中证500指数净值及其成分股的38个因子数据、中信一级行业标签与月度收益率作为研究数据。首先,对因子数据进行去极值、补空值和标准化的特征处理;其次,基于IC筛选和共线性筛选最终保留26个有效因子;接着,基于GBDT、XGBoost和BNN算法搭建选股模型;之后,通过划分验证集在数据集上进行模型参数遍历寻优;最后,以随机划分10%和牛熊市切割的验证方式结合真实标签与前后50%标签的参数设置构建平均参数首层策略。策略回测结果显示,综合年化收益率、年化波动率、夏普比率、最大回撤、评分均值和评分标准差,相对指数基准,对于大市值股票:强烈推荐GBDT策略,中度推荐XGBoost策略,不推荐BNN策略;对于中市值股票:强烈推荐GBDT策略和XGBoost策略,不推荐BNN策略;对于小市值股票:强烈推荐GBDT策略和XGBoost策略,轻度推荐BNN策略。结合分层回测、多空组合和年度收益分析策略表现,发现BNN策略在熊市表现较好,而GBDT策略和XGBoost策略在牛市表现较好。基于SHAP框架进一步分析得出,每股收益、销售毛利率、总资产增长率、应收账款周转率和资产净利率是排名前五的重要因子,在预测时贡献度较大。