近年来,随着我国资本市场改革开放的不断推进,我国A股市场加速扩容。2010-2020年我国A股市场总市值复合年均增长率为11.6%,截至2021年5月末,我国A股上市公司已达4338家,总市值仅次于美国,达到85.1万亿元。与此同时,随着科创板、注册制等多项政策不断落地,我国A股市场的财富效应愈加显著,2020年,上证指数、深证成指和创业板指涨幅分别达13.9%、38.7%和64.9%。此外,伴随着我国居民收入水平持续提高和房地产调控加码,我国居民在低利率环境下寻求更多投资渠道,居民资金正在加速进入股市。但是,在错综复杂的股票市场中掌握股市变化规律并预测其收益率是学界和业界亟待解决的问题。本文系统性地运用机器学习,探究其在中国股票市场收益率预测中的应用效果,比较不同算法的样本外预测水平,分析哪些因子是真正重要的,并检验模型在真实市场的运用效果。本文选取2006年1月至2021年6月沪深300成分股共计837支个股为样本,参考已有文献以月度为频率构建基本面类、波动率（风险）类、技术指标类三大因子,合计4826142条数据。在此基础上本文基于随机梯度下降回归、决策树、随机森林、梯度提升树和卷积神经网络五个机器学习算法构建股票收益率预测模型,并预先设置好各个模型的调整参数形式。本文通过月度滚动的整体模型设计,将处理完成的数据集输入不同的机器学习预测模型进行样本外测试,并完成特征重要性分析,最后应用于真实市场检验其投资效果。本文的研究结果最终得出以下结论:（1）机器学习应用在预测我国A股市场收益率场景是有效的,卷积神经网络模型的样本外测试表现最好,梯度提升树和随机森林次之。（2）在三大类因子对模型预测能力影响的排序中,技术指标类因子最有价值,波动率（风险）类因子次之,基本面因子影响较弱,其中基本面因子几乎只有市值因素能对模型的预测造成较大的影响。（3）通过构建股票预测收益率高的投资组合策略进行仿真模拟交易,发现机器学习预测A股市场收益率能在真实市场中带来良好的经济收益,其中神经网络模型的表现仍然最好,随机森林和梯度提升树次之。相比于以往的相关研究,在研究方法上,本文系统性地引入机器学习模型应用于我国股票市场,从新的视角研究哪些特征能对收益率预测产生影响,是对股票收益率预测问题的深化和补充;在研究内容上,本文根据我国A股市场数据进行实证检验,设计滚动预测模型尽可能排除未来数据的干扰,验证机器学习算法在我国股票市场也能获得很好的预测效果;在研究意义上,本文是对股票收益率预测问题在我国市场方面文献的补充,进一步充实了在资本市场改革开放背景下我国的股票市场理论研究内容。基于相关的理论分析和实证研究结果,本文从金融学应用研究、政府监管机构和证券投资实践三方面提出具体的建议:第一,一方面金融学的研究要勇于创新,可以把具备理论基础的已有研究与前沿的新型技术结合,突破原有理论的一些限制;另一方面要立足本土,发现我国国情下的金融学研究的特殊之处,把科研写在祖国的土地上。第二,对监管机构来说,一方面可以逐步有序放开量化投资限制,优化对冲机制,有效提高我国金融市场资源配置效率;另一方面需要防范人工智能模型内在问题对我国金融市场的冲击,控制其带来的潜在风险,提高金融系统的稳定性。第三,对证券投资实践来说,不仅仅机器学习能够有效地提升证券资产管理的效率和效益,为证券投资分析提供了一类新的工具,而且本文的研究结果表明,技术类因子在我国A股市场的预测行为中依旧有效。