量化投资是一种新型的投资方法,利用先进的计算机技术从大量的数据中挖掘潜在的有效信息,快速地跟踪市场变化来发现新的获利机会,同时又能避免情绪波动和经验偏面性产生的影响,从而形成更为有效易行的策略方案。我国的量化投资虽然起步晚,但是近些年金融政策不断向好,为投资机构和投资者提供了更好的投资环境,量化投资走上了快速发展的道路,吸引了越来越多的学者从事量化投资方法和投资策略的研究。因此,将优秀的算法模型应用到A股市场中来构建量化策略,具有很大的理论意义和现实意义。作为我国量化投资领域应用和研究最多的策略之一,多因子选股策略具备稳定性高和资金容纳量大等优势。因子的筛选和分类模型的构建是多因子选股策略的两个核心模块。对于因子的筛选,本文使用了规模、估值、成长、盈利以及杠杆五个大类的因子,直接获得或衍生计算了六十二个具体因子,相较于传统的多因子模型在数量和种类上都有了一定的扩充。同时,在模型输出时将因子对模型的贡献度进行输出,便于分析各个因子的有效性和重要性。对于分类模型的构建,本文创新性地将Boosting模型与Logistic回归相结合,来提升单个模型的鲁棒性和泛化能力。利用Boosting模型对备选因子库进行特征组合构造,来代替主观选取因子的过程,通过该方法可以提高多因子模型对股票超额收益的获取能力,然后将输出的特征组合作为输入值传入Logistic模型进行分类。Boosting＿Logistic模型在理论上为多因子模型提出了新的方案。本文通过对基于XGBoost和Light GBM构建的Boosting＿Logistic模型进行实际投资策略的回测分析,该策略在收益性方面和风险控制方面都取得了优异的表现。在分类性能方面,Boosting＿Logistic模型准确率指标整体略微优于原Boosting模型和其他集成学习（随机森林和GBDT）模型,但整体上准确率指标基本维持在同一水平;在收益性方面,Boosting＿Logistic模型的累计收益率远高于原模型和其他模型,平均年化收益率也有15%到23%的提升;同时在风险性方面,波动率整体较低,夏普比率整体较高,最大回测与其他模型接近,该模型在抗风险上同样表现优异。其中,表现最为优异的Light GBM＿Logistic模型,5年间的累计收益率高达324.01%,平均年化收益率为34.45%,年化收益率最高可达135.05%（2015年）,夏普率为0.87,在收益性方面和风险控制方面都取得了优异表现。