机器学习作为人工智能的代表技术,已被广泛应用于量化交易中。此外,已有研究表明我国股市存在动量效应与反转效应,且动量效应和反转效应已成为有效的投资策略。因此,本文利用动量反转因子构建输入特征,基于五种机器学习算法预测股票涨跌情况,形成统计套利策略,具有重要的应用价值。首先,选取沪深300指数中的84只股票作为股票池,构建21个日累计收益率和12个月累计收益率作为动量反转因子,并使用五种算法:随机森林、XGBoost、支持向量机、深度神经网络和LSTM构造统计套利策略。实证结果表明,随机森林算法远优于LSTM、深度神经网络、支持向量机和XGBoost。从2013年01月到2017年08月,基于动量反转因子和随机森林的统计套利策略可以获得超过沪深300指数的收益。从2017年08月至2019年12月,基于动量反转因子和随机森林的统计套利策略可以更准确地预测市场的涨跌,但预测能力不足以从市场中获取利润。其次,为了进一步探究基于动量反转因子与随机森林的统计套利策略相较于传统动量反转策略的优势,将本文构建的策略与基于33个动量反转因子形成的策略进行比较。实证发现本文构造的输入特征覆盖更多动量与反转信息,机器学习算法能够很好学习这种非线性关系,使得基于动量反转因子和随机森林的统计套利策略远优于传统动量反转策略。另外,中国股票市场周度动量反转效应表现较为明显,且日频交易会带来较高的交易成本,因此本文将预测期限调整为5天。在预测未来5天涨跌的统计套利策略中,LSTM、随机森林、XGBoost三类算法的收益率远远优于市场,其中LTSM最优。在各实证子阶段内,不同算法的盈利能力存在差异。一种可能的方法是将不同机器学习算法预测结果进行集成,从而能够在不同时期都能够取得较好收益。最后,探究在输入特征增加成交量信息能否改善基于机器学习的统计套利策略盈利能力,实证发现随机森林表现最优,日均收益率为0.0012。而未添加成交量时策略最优日均收益率仅为0.0009,相比之下日均收益率提升30%。此外通过重构输入特征策略的风险水平也得到下降。本文通过机器学习方法对过去价格信息与成交量信息进行提取,判断股票未来涨跌构建统计套利策略,获得远超市场的收益。一方面为国内股票市场有效性研究提供一定依据。另一方面丰富了机器学习在金融领域的研究,尤其是在量化投资领域研究中的应用,具有很强的实践价值。