指数增强策略,即,增强型指数策略,是在锚定指数（例如沪深300、中证500、上证50等）的基础上,能有更强表现的一种策略。为了体现和锚定指数的关联性,增强策略需要控制与指数的偏离度,确保既追踪了指数的趋势,又获取了超过指数收益的超额收益。因而,指数增强型产品能保证收益的平稳,又使得投资风格和投资策略也更加透明、稳健,相比于指数基金能获得更高的收益,在资管产品市场上受到海内外投资者的青睐。传统指数增强策略主要是通过分析宏观经济、研究行业板块,以“核心+卫星”的思路实现以上两个基本点。但量化投资依托计算机科学在人工智能领域的不断深化,利用机器学习、深度学习方法处理金融时间序列数据,挖掘数据之间的内在联系,以实现预测数据、判断股价涨跌、构造投资组合的目的。本文首先对国内外研究现状进行了综合评述,为文章策略设计的合理性和创新性打下基础。接着研究了金融学经典资产定价理论,确定了使用量化的多因子模型用于选出未来更有可能上涨的股票。然后详细阐明了指数增强策略和多因子模型的基本内容。最后是对本文的实证工具——机器学习算法进行了详细介绍。其次是对因子数据的处理阶段。因子的数据又叫因子暴露值,也是股票的特征。本文的因子分为基本面因子、技术分析因子和市场行为因子三个大类。该阶段的工作是将上述因子进行预处理、特征工程和择时。其中预处理主要是对数据进行清洗,而特征工程是对因子进行线性分析以提高每个因子的解释力度,并且对因子进行中性化处理以实现模型追踪指数的目的。另外因子择时选择每期有效程度高的因子参与多因子模型、预测股价,所以对影响因子的因素进行了分类。最后是模型的训练与回测,展示了因子择时模型和多因子选股模型训练的步骤,以及模型优化前后的细节对比。通过优化模型的拟合程度、提高交易频率、减少持仓股数等方案,进一步降低了组合的风险、提高了收益。本文最终的优化版增强策略设计业绩表现,在回测期间实现了24.34%超额收益;最大回撤率9.87%,夏普比率1.96,控制了投资风险。在有效的追踪了沪深300指数趋势的基础上,实现了100%的胜率。