机器学习,作为目前多领域的研究热点,具有极大待挖掘的潜力,其理论和方法已被广泛应用于解决工程应用和科学领域的复杂问题。量化投资,作为可帮助投资者获取较高收益的优良投资方法,很大程度上依赖于大量的计算与总结,与机器学习的结合对其而言是巨大的助益。计算机计算能力的进步,对机器学习而言代表着数据处理能力的飞涨,可以在投资者处理大量的数据时体现出巨大价值,也让机器学习具备了极强的发展潜力。其中,具有记忆性的循环神经网络,计算时会考虑历史信息,同时还具有权重随时间共享的优点。在股票市场中,投资者对股票价格的预期也会考虑历史信息,和循环神经网络的特点相吻合。在此背景下,本文选择了循环神经网络（RNN）算法,选取多因子,并对因子进行动态更新,构建选股模型。本文对A股市场整体进行分析,根据其散户多、股票价格波动大、具有很多周期性股票的三个主要特点,分析了机器选股的意义及可行性。针对众多的散户易于亏损且投资技术、信息搜集水平都不足的情况,本文首先提出基于RNN的机器学习选股策略;然后,本文构建选股模型,通过量化平台选取了260个量化因子,以2020年的数据作为训练集,探寻不同因子对股价的不同影响;紧接着,构建重点因子池,通过重点因子进行后续预测,并且在预测的过程中动态更新重点因子;最后,本文通对2021年2月-7月进行回测,回测结果显示,基于RNN的动态多因子选股模型具有60%以上的年化收益率,具有良好的表现。本文的研究结论有以下几点:第一,大盘整体下跌时,仍存在价格不断上涨的股票,通过机器学习,投资者可以找到此类股票,构建投资组合,获取超额收益,这验证了机器学习选股的稳定性与适应性;第二,RNN算法进行股价预测具有很大实用性,但是目前使用其进行量化选股的研究并不多,未来将会有更好的应用前景;第三,通过构建重点因子库,并随着预测的进行不断更新重点因子,机器学习可以实现兼顾预测准确性与程序运行速度,具有简单易用,高效实用的优点。本文的研究成果首先丰富了机器学习在量化投资的应用,又为RNN算法的应用提供新的思路,在一定程度上也能为金融领域的发展做出贡献。