目前机器学习的相关算法多用于图像识别,模式识别等专业领域并且都拥有较高的分类准确率,这主要得益于同类别数据样本间拥有较强相似性,模型通过对训练集的充分学习从而可以在测试集上取得较高的准确率。但在金融领域中,大部分数据均不具有此特性,机器学习模型对其预测的准确度远远低于上述领域。因此若要挖掘金融数据间的关联规则,应该尝试将金融理论逻辑与机器学习算法进行融合,提高算法在金融领域的有效性。本文以沪深300的行情交易数据作为数据源,根据股票数据的时间序列特性对数据进行处理;运用集成学习的算法思想,选取K-近邻(KNN Classifier),梯度提升(GradientBoosting Classifier)和自适应提升(Adaboost Classifier)这3个分类器通过改进的投票算法聚合成一个新的分类器模型,完成T交易日的股指行情信息对T+1交易日股指涨跌情况的预测,改进的投票算法综合考虑了弱分类器本身的分类效果,分类效果得到提升。在对大盘指数进行有效预测的基础上进行选股算法研究:通过分析公司最近一个季度的基本面数据,将数据挖掘中Affinity Propagation(近邻传播聚类)与集成学习算法Adaboost相结合构建基本面数据分类器,对股票进行业绩分类,形成选股池;择时操作则由行为金融学中的反转策略结合股票技术分析中较为常用的技术指标——KDJ进行择时买入操作,择时卖出操作则通过设置止盈止损率来进行确定。将大盘预测与选股进行结合制定选股算法模型:对投资策略进行收益检测和风险评估——在量化交易平台“优矿”进行模拟交易,结果表明本文所制定的选股算法取得的收益能够取得超越大盘的收益率,并且各项风险指标均表现良好,是较为可靠的证券投资算法,对中小投资者具有一定参考价值。