近年来,以神经网络为代表的机器学习模型在自然语言处理、图像识别等领域取得了极大的成就。金融投资行业作为经济社会中最为高效的行业,向来重视最新的科学技术与金融实务的融合。于是,将相关模型方法用于金融领域的研究也成为了学界和业界的研究热点。本文对基于机器学习算法的量化投资研究现状做了综述总结,而后主要从两个方面开展了研究:基于横截面数据的量化选股策略研究和基于时间序列数据的量化交易择时策略研究。具体如下:(1)基于随机分布嵌入(Randomly Distributed Embedding,RDE)的量化选股研究。本研究以目标股票的同行业股价数据为数据源,基于随机分布嵌入框架,预测股票的涨跌幅。具体而言,以行业内股票的历史数据为输入,构建行业股票吸引子在低维空间的投影,实现对目标股票的一个预测。将多个低维空间的预测综合起来,实现对目标股票未来涨跌幅的预测。(2)基于卷积神经网络的量化择时研究。本研究以单只股票的历史交易数据为输入,使用卷积神经网络及梯度提升树预测股票买卖点。基于股票日频数据较少的特点,采取使用人工特征的方法降低模型复杂度。针对训练集数据类别不平衡的特点,尝试使用调整阈值,模型融合等方法改善模型效果。将基于机器学习的算法合理运用到量化策略研究中可以获得较好的效果。基于大量的实验对比,本文认为基于对股票市场数据特点的认识,将新的机器学习算法合理转化运用到量化策略研究中,可以获得超过传统模型的预测效果,为在证券市场中获得超额收益提供支持。