量化投资在国外市场经历过较长的发展时间,已经成为成一种较为成熟的投资方法和理念;但在中国证券市场上,量化投资概念引进的时间不长,但发展速度极快;与此同时,基本面投资在国内逐渐成为市场主流的投资理念,也标志着国内市场往更成熟和专业化的方向发展。在这样一个市场和观念不断变化的时代,基本面量化投资将有更深度的发展前景。本文主要参考2017年8月J.P.Morgan团队发表了文章“Value Strategi es based on Machine Learning”,文章提出了一种通过多维股票特征因子来预测公司市净率的统计建模方法。本文先对市净率在A股市场进行单因子有效检验,论证模型合理性,运用XGBoost算法预测下期市净率,再依据市净率建立“相对增长价值”指标。通过指标对沪深300成分股进行评价,做多高分组,做空低分组,最终等比例配权重构建投资组合。在样本外的年化收益率达到了 38%,高于同时期沪深300指数基准收益率。本文创新性的运用XGBoost+Lasso+SVM混合模型进行模型预测,改良后的模型策略与原策略相比有明显增强。本文结合事件驱动效应改进模型,构建事件驱动-基本面量化模型。业绩预告为上市公司公布市场的第一手信息,对股票价格有一定先行作用。本文先进行业绩预告正、负面事件实证,检验通过后依据事件定义剔除投资组合中具有负面事件的股票,改良后的投资组合与原策略相比收益率有小幅提高。最后本文对此类基于机器学习的价值选股进行展望,在进行实证分析后,提出尝试依据市盈率计算新的相对增长价值指标的设想。