随着计算机在硬件设备和软件功能方面的加强以及人工智能、数据挖掘等理论和技术的快速发展,机器学习的研究和应用掀起了一股狂潮。现如今机器学习已经广泛应用在了人类生活的方方面面,其中利用机器学习技术预测股票价格已经成为金融行业的研究热点之一。传统的研究股票价格的方法主要使用技术指标分析或者时间序列分析,然而传统分析方法对于处理股票价格这种非线性数据有很大的局限性,但是机器学习方法可以很好地处理股票价格的随机性、混沌性和非线性,因此本文在以前的研究基础上运用机器学习算法通过实证分析研究中国股价的可预测性。本文选取了三种常用的机器学习算法作为研究中国股价可预测性的方法,分别是人工神经网络(ANN)、支持向量机(SVM)和随机森林(RF),选用沪深300指数的成份股作为样本股,将股票价格的技术指标作为模型的输入变量,将离散化后的股票收益率作为模型的预测变量,通过网格搜索和交叉验证法对模型的参数进行调节,比较各个算法的最优模型AUC均值发现对于同一数据集不同的算法预测效果差异较大,其中随机森林算法在本文的数据集上具有明显的优越性。然后使用最适合的算法分别对每一只个股2014年至2018年每一年的股价变动趋势进行预测,并且使用多个评价指标对模型的预测性能进行综合评估,预测结果显示所有年份的模型评价指标均值都在0.5以上,并且模型各评价指标最大值达到了 0.7以上,表明本文所构建的模型预测性能较好,由此可见使用机器学习算法预测中国股价变动趋势具有可行性。然后本文基于2017年和2018年的预测结果分别构建投资组合,与实际沪深300指数的涨跌幅相比所构建的投资组合在市场中获取了超额收益,进一步表明了本文所建立的机器学习模型在股价预测上的有效性和实用性。除此之外,通过比较不同个股的预测评价指标发现同一模型对不同个股的预测效果差异较大,因此本文对个股的特征与其股价可预测性强弱的相关关系进行研究,通过行业分析发现银行、石油天然气、电力三个行业的个股可预测性最强,利用这一发现投资者选股时可以对这些行业的股票多加关注,通过分析股票其他特征与股价的可预测性强弱之间的相关关系发现市值越大可预测性越强、每股收益越小可预测性越强,这一分析结果可为投资者选股提供一定的参考方向。