据世界银行数据库年度调查显示,2017年我国上市公司的数量达3485家,相比2016年增长14.2%,且呈现逐年增加的趋势。股票投资方法的选择,直接影响股民的投资收益。量化投资具有高收益性与低风险波动的特点,在海外已有几十年的历史,但在国内起步相对较晚。近年来,随着机器学习等方法的兴起,量化投资在受到越来越多关注的同时,也在快速成熟和发展。此外,数据挖掘技术近年来也成为学术中的热点问题,其在量化投资中的应用非常广泛,可用于股票价格的预测、形态识别、选股等。结合量化投资方法与数据挖掘技术,本文对量化投资选股问题进行了研究:选取食品饮料行业的15分钟收盘价数据,采用层次聚类法,根据收盘价时间序列所呈现的不同形态进行聚类。随后,运用计量经济学方法中的Granger因果分析,发现不同类别的股票簇与其所在版块指数间的领先及滞后关系,识别出滞后组。构建两个实验组,其中实验组1未剔除滞后组,实验组2剔除滞后组。之后,通过因子分析法,将能代表股票基本面表现情况的12个财务指标进行归类,用突变级数法在两个实验组中分别进行选股。最后,选取排名前5、前10及前20的股票,构成不同股票投资组合,比较其与食品饮料行业指数及市场基准指数的超额收益与风险性。通过研究发现,使用本文所构建的量化投资策略选股,两个实验组所选出的投资组合:(1)收益方面:两个实验组所构建股票组合均明显跑赢市场,并获得了超额收益,其中实验组2中选出的股票组合的收益率普遍高于实验组1;(2)风险方面:夏普比率值表明所选股票组合每一单位风险可以获得高于市场基准的超额回报;β系数值表明,所选组合的波动率均低于其所对应行业指数标准,与市场基准相比,除收益最高的组合外,其他组合波动率均低于市场基准。此外,研究还发现了在用DTW方法度量股票金融数据时的“最佳弯曲窗口”。综合考虑,在我国股票市场数据复杂、信息量大的背景下,本文所构建的量化投资策略能够有效的构建表现优于市场的股票组合,具有一定的实用价值。