在国内市场投资者越来越青睐有着纪律性等优点的量化交易投资的情况下,本文以多因子模型的理论为支撑,以随机森林算法为基础构建多因子量化交易策略。本文把策略分成因子筛选和量化选股两部分。因为本文认为传统策略在因子筛选部分和量化选股部分可以应用随机森林算法做一些改进,所以制作了基于传统方法的多因子打分策略、多因子回归策略,并在传统多因子策略的基础上做了双随机森林策略。其中多因子打分策略在因子筛选部分应用信息系数法,在量化选股部分应用打分法。多因子回归策略在因子筛选部分应用排序法,在量化选股部分应用回归法。而双随机森林策略在因子筛选部分和量化选股部分都应用了随机森林算法。最后本文在因子筛选和回测结果分析中对它们做了对比较。本文策略以沪深300指数的成分股为股票池。在多因子模型下,因子的分析较为重要,为此本文将把两个从文献中筛选出来的因子加入到因子池中来丰富因子池。本文也对筛选出来的两个文献因子在单因子策略中做了收益验证。在因子筛选部分,本文策略以2014年4月与2019年4月间每年数据为基础,以价值投资的经营类因子、估值类因子、成长类因子、文献类因子构建因子库数据,应用随机森林算法、信息系数法和排序法筛选因子。在量化选股部分,本文策略以2015年4月与2019年12月间每年的数据为基础,应用随机森林算法、打分法和回归法筛选股票。从回测结果来看,双随机森林策略适合在较长的时期内持有。在2015年4月到2019年12月每年间,通过不同时期三种策略的对比,双随机森林策略总体的年化收益21.81%,超越了多因子打分策略、多因子回归策略和沪深300指数的年化收益率。从风险控制的角度看,双随机森林策略更适合在小涨、小跌和大涨的市场时期持有。所以通过在策略的因子筛选部分和量化选股部分应用随机森林算法,本文的双随机森林策略确实在一定程度上提高了策略的整体表现。