在金融市场中,如何将投资与数学理论结合起来长久以来一直是学者及从业者们热衷的议题,因此量化投资应运而生。量化投资是用金融学、数学、统计学、计算机科学等科学技术将投资者想要实现的投资理念程序化的过程。由于将金融理论和数学理论高度结合,具有很强的系统性和纪律性,量化投资在美国股票市场中已经成为非常流行的投资分析方式。而与美国起步早,发展比较成熟的量化投资市场相比,量化投资在我国的发展开始得比较晚,方兴未艾,而且目前被投资者了解并接受的程度较低,尚需要较长时间进行投资者的教育。从总市场规模来看,我国A股市场的总市值居世界第二位,仅次于美股,而从量化投资交易量占比情况来看,A股市场的比例远低于美股。因此如果对标成熟市场的发展情况,我国量化投资有着相当大的发展空间。本文的研究内容是用机器学习算法中的随机森林算法来强化传统的多因子量化选股策略。多因子选股策略在量化投资策略中是最为经典常用的策略之一。而随着多因子选股策略的发展,简单的相关有效因子已经被挖掘殆尽。自2017年以来,市场环境发生巨大变化,许多之前可以产生巨大超额收益的因子黯然失色,使得一度受到热捧的量化投资基金受到质疑。近年来随着人工智能概念的火热,各行各业都开始寻求与人工智能深度融合,人工智能的日益普及必将对各行各业产生重要的影响。人们也开始思考将机器学习的算法与量化投资相结合,以求获得超越市场的超额收益。选取合适的方法和模型建立量化投资策略开辟市场,为券商和相关机构提升资管规模,获得更高收益具有重要的现实意义。本文以Python语言作为研究工具,借助Wind旗下的知名量化平台WindQuant展开研究。本文将随机森林算法与传统的多因子量化选股策略相结合,以求克服其内在的缺点,增强策略各方面的表现,提高多因子选股策略的有效性。多因子选股策略的基础是有效因子的选取,因此本文从因子选取入手,经过因子有效性的验证,对有效因子进行筛选,从而选出本文策略所使用的因子;随后在WindQuant平台上利用Python语言提取因子的数据,并对数据进行缺失值处理、中性化等方式的处理以增强其有效性;随后建立起应用随机森林算法的多因子选股策略,并对策略进行回测和评价;最后尝试对策略进行了改进。为了精选有效因子,本文采用了以Gini系数为基础的信息增益指标对因子进行有效性验证和筛选;在构建策略前的数据预处理阶段本文采用了去极值、中性化等方法对数据进行精加工,使之更能适用于量化策略的研发;在回测之后,本文使用AUC值对使用的随机森林预测模型性能进行评价并在此基础上尝试改进。本文研究的主要逻辑框架为:因子选取,因子有效性验证,因子筛选,因子数据提取,数据预处理,量化策略构建,策略回测与改进,策略评价与总结。通过回测,本文证明了应用随机森林算法的多因子选股策略模型在2014年至2019年这一较长时间内,在中证500指数成分股中具有较强的选股能力,取得较高的收益,策略表现不仅远远超过中证500指数,而且相对于传统的多因子选股策略也在诸多方面存在优势。本文策略具有较强的可行性和实用性,对于量化交易的研究以及股票量化策略基金的发展而言有一定的参考意义。