随着社会的发展以及资本市场的成熟,股票投资逐渐受到越来越多的投资者的关注。而传统的股票分析方式受限于投资者有限的精力和认知水平,同时也会受到非理性心理和情绪的影响。相对而言,量化投资以数量化的方式,使用计算机程序自动发出投资指令,往往能够实现较为稳定的收益。本文将采用量化投资方式并结合机器学习CART（Classification and Regression Tree）算法对股票的收益情况进行预测,构建能够跑赢大盘的量化选股策略。首先经过对比分析后,本文选择综合指标的量化投资策略,即在备选特征因子的选取上兼顾基本面分析指标和技术分析指标。经一系列数据处理和因子过滤工作后,最终选择ROE增长率等六个指标作为建模特征因子,且以样本股月收益率是否超过样本月收益率的中位数来作为分类目标变量。之后,本文以沪深300指数成分股为实证对象,使用CART算法构建静态分类树模型,并在静态树的基础上逐月进化形成滚动分类树模型,且期间对分类树进行剪枝以缓解过拟合问题。分类树生成后,两模型均按照分类目标变量的预测对股票实现分类,构建投资组合。使用历史数据分别对两模型进行回测和比较分析。结果表明CART滚动分类树的建模方式更为有效,表现为其策略评价指标较好,两组股票收益情况的区分度较高,且同基于同样的数据集构建的C4.5算法和随机森林算法下的滚动分类树模型相比表现较优。最后以CART滚动分类树模型为基础,结合了中国现实的交易制度和交易规则进行回测分析,并与传统基金行业业绩进行了对比,论证了该算法在现实应用中的有效性。本文的研究仍然存在一些不足之处。对决策树算法而言,特征因子的选取尤为重要,所以未来还需要在特征因子的选择上付出更大的努力,在保证模型泛化能力的同时尽可能考虑更全面的因素。