随着计算机技术和金融科技的快速发展,量化投资在证券市场中受到关注和重视,国内外市场中量化产品的市场份额也在逐渐的扩大,但对比国内外量化投资的发展进程,我国量化投资市场仍存在较大进步空间。作为人工智能中的重要技术,机器学习方法在量化投资领域也有广泛应用,其中随机森林算法作为一种分类算法,具有数据处理简便、参数及结果易理解等优点,适用于量化研究。结合机器学习方法的优点,寻求机器学习在量化投资领域中的应用,对拓展市场投资渠道、促进股票市场发展等方面都具有重要的意义。本文以2013年-2018上证50成分股和中证500成分股为研究样本,在验证了我国A股市场中存在的大小盘风格轮动现象后,运用随机森林方法,对结合大小盘风格轮动与多因子选股思想的量化投资方法在我国股票市场的适用性进行了研究。文章利用上证50与中证500指数构建大小盘风格轮动量化指标,选取了财务因子、技术因子与宏观因子作为特征因子进行多因子选股研究。在对比逻辑回归、支持向量机与随机森林三种机器学习模型的拟合情况后,分别构建了不同的月频滚动量化策略,结合策略在我国A股市场的实际投资绩效,探究了基于大小盘风格轮动的随机森林选股策略的有效性与稳健性。并在此基础上,通过分别剔除财务因子、技术因子和宏观因子的方式进一步对三类特征因子在量化选股中的贡献性进行了分析。本文的实证结果表明,在量化选股领域中随机森林模型表现出了稳定和优异的性能,能有效的识别特征因子与超额收益之间的复杂模式,在策略中取得了相较逻辑回归和支持向量机模型更好的投资绩效。其次,将大小盘风格轮动选股思想与多因子机器学习选股思想结合能有效的提高投资绩效,获得了37%的年化收益。最后在因子贡献性分析中发现,对于三类因子中,财务因子的预测贡献性最高,宏观因子的预测贡献性最低,但在剔除宏观因子后,策略的年化收益下降了7.5%,说明了宏观因子在量化选股策略中同样具有预测能力。