随着互联网、大数据以及人工智能技术在我国的蓬勃发展,人工智能化已经在生物基因测序、自动驾驶、商业零售等方面得到广泛的应用。作为人工智能化的核心技术——机器学习逐渐被熟知和认可。机器学习能自动地在大量的数据中挖掘到重要信息,并进行自动分析,为使用者提供一个解决问题的算法,对于解决个人在处理问题上出现的各种偏差:情感偏差和认知偏差具有相当重要的作用。因此在金融领域,机器学习也日渐获得研究者与实务工作者的青睐与重视。本文从基本面分析研究的角度出发,主要选取了六大类基本面因子作为目标因子和以市净率因子PB作为预测目标建立回归模型,进而对选定股票池内股票的理论市净率进行较为精准的预测。通过检验在不同股票池中训练结果对比以及与与传统收益率作为目标变量训练方法进行对比,对基于市净率因子PB作为目标因子这一种训练方法进行了可行性以及适用性的考察。在此基础上,本文还通过对马科维兹模型的风险函数以及约束条件的改良,研究不同权重分配方式对不同学习器的适用性以及不同权重分配方式对于绩效指标的改善情况,最终获取策略组合综合绩效情况。基于本文获得的机器学习训练结果以及策略组合绩效分析可得:基于市净率为目标因子这一种机器学习训练方法的具有一定可行性、其适用股票池范围为沪深300股票池以及对于传统以收益率为目标因子的训练方法的具有优越性,能够在减少输入因子维度的情况下获得较为优良的学习器;利用机器学习学习器对基本面因子进行拟合能极大程度地获得比传统线性拟合学习器更优的学习器拟合优度;对于所有学习器而言,基于Var风险函数的马科维兹模型与基于Cvar风险函数的马科维兹模型都能获得比组合等权重分配更优的绩效表现,但是两种基于两种不同风险函数的权重优化方式对策略的构成不存在明显的优劣性,对于不同的学习器,有不同的风险函数权重优化方式能使得其表现更佳;对于不同学习器而言,无论是基于Var风险函数还是基于Cvar风险函数,加入基于绩效最优约束后,都能使得构建的alpha策略得到绩效的提升。