量化投资具有数理统计的背景知识,而且可以避免人为情绪的干扰,其投资业绩稳定,市场的规模和份额也在不断增长。在海外,量化投资经过数十年的发展已经被越来越多的投资人接受。伴随着我国资本市场的不断完善,以及创新金融衍生产品的不断上市,量化投资在国内资本市场也得到了快速的发展。本文在此背景之上,把中证全指的全部成分股作为研究的对象,通过建立市值解释模型,并构建估值偏误量化选股因子,利用Python语法编程对因子进行分组模拟交易回测,并对因子的选股能力进行实证分析。本文依据价值投资的理论背景,借鉴Rhodes-Kropf,Robinson和Viswanathan（2005）对市值的分解研究,构建由财务指标解释的市值模型,并运用机器学习的方法对模型进行改进。通过市值解释模型构建了估值偏误因子,本文在实务界和业界对因子有效性的分析框架下,对所构建的因子进行了实证分析。本文选取的研究时间区间是2011年8月1日至2019年6月1日,该区间包括熊市、牛市、反弹、震荡阶段,在不同的市场行情下去检验估值偏误因子的有效性更加具有合理性。本文先对构建的估值偏误因子进行数据预处理,包括中位数去极值、标准化、行业市值中性化,目的是为了统一因子的量纲,方便进行比较。接着对估值偏误因子进行了股票收益分组模拟交易回测,线性市值解释模型构建的估值偏误因子在回测期内最高超额收益为490.7%,随机森林市值解释模型构建的估值偏误因子最高超额收益为502.8%,而XGBoost市值解释模型构建的估值偏误因子最高超额收益则达到了554.9%,三种方法构建的估值偏误因子获取的超额收益均显著超越了中证全指的基准收益,证明了估值偏误因子具有有效性。由于财务指标与市值之间可能包含复杂的非线性的关系,线性市值解释模型构建的估值偏误因子虽然表现效果较好,但却存在难以解释的部分,这会造成线性市值解释模型的残差信息不纯。因此,本文采用能够解决非线性关系的机器学习方法来解释市值。线性市值解释模型3个模型的平均超额收益为456.93%,对市值的平均解释度为0.945。而随机森林市值解释模型3个模型的平均超额收益为495.33%,对市值的平均解释度为0.974。XGBoost市值解释模型3个模型平均超额收益为527.97%,对市值的平均解释度达到了0.997。机器学习模型的平均超额收益相对于线性模型有了较大的提升,对市值的平均解释度也有一定的提高,说明机器学习市值解释更能够阐述财务指标与市值之间的关系,构建的估值偏误因子效果更好。此外,本文还对比了传统的估值类因子和本文构建的估值偏误因子,进一步验证了估值偏误因子的有效性。本文将机器学习的方法运用在市值解释模型上,横截面上的财务指标对市值的平均解释度达到了99%以上,并对构建的估值偏误因子进行了实证分析,验证了因子的有效性,是把机器学习应用到金融领域的拓展。此外,本文对在国内投资领域和学术领域进行的因子探索研究具有一定的参考作用。