长期以来,在权益市场的分析研究领域中,对股票的研究是永恒的主题。而对股票分析的根本目的在于构建出高收益低风险的投资组合,因而通过合理的方法进行选股是投资者所需要解决的首当其冲的问题。当下仍有相当多的个人投资者乃至量化公司和投行依赖于直觉、经验、或某些单一标准(例如股价波动、预期收益、市盈率等),从数以千计的股票中进行筛选,这很难说是对选股问题的一个合理解答。为此,本文旨在建立出合理且有效的股票选择模型。论文首先基于聚宽数据库选择了一年的股票数据,并进行了缺失值处理、数据变换等清洗工作;接着,论文将每只股票的当日收益率与作为基准的沪深300指数当日收益率进行对比,高于该基准的设定为优质股票,即正类标签,进而给出该交易日中股票的预设标签;然后,基于该分类标签与相应的因子,我们分别探讨了Logistic回归和随机森林(RF)模型的构建问题,同时结合Lasso变量选择法、P值、以及随机森林模型中因子重要度分别研究了两种模型的变量选择问题,得到了各自最终的变量,进一步,基于前面所选变量集,论文还研究了支持向量机(SVM)的构建;最后,通过将股票数据分割成训练集、测试集、袋外数据集后,分别研究了三个模型在这些数据集上的准确率、精确度、召回率等指标,从而给出模型预测效果的优劣比较。另外,为了说明论文考虑的模型的实用性,我们还利用袋外数据集对其进行了实证分析,并比较三个模型所选股票在实际中的投资效果。结果显示,论文研究的模型中,Logistic回归和随机森林模型能够较为有效地对股票进行筛选,其实际的投资结果也较为令人满意。