随着软件技术和人工智能技术的发展,量化交易越来越多地受到投资者的关注。对于股票投资来说,量化选股是基础,没有良好的选股技术,量化投资效果将大打折扣。多因子量化选股是将影响股票收益率的各种因素量化成计算机或者数学模型能够处理的指标或因子,用这些量化指标或因子进行选股的一种方法,该方法可以很好的排除人的心理和情绪在进行投资时产生的影响,完全利用数据,客观准确的对股票进行分析。近年来,随着国内金融市场的发展,积累了越来越多的金融数据,基于机器学习的量化选股方法在逐渐兴起。本文主要从因子库构建,有效因子筛选,机器学习量化选股模型研究和量化选股系统的设计与实现对多因子量化选股问题进行了深入研究。本文利用股票交易的市场数据以及上市公司的财务报表数据,计算出了 155个量化因子,并对这些因子进行分类编号,构建了一个基础的量化因子库,然后利用回归法和因子IC值分析法对量化因子库中的因子进行有效性筛选,利用筛选出的有效因子作为模型训练的基础数据。在机器学习量化选股模型设计方面,本文提出了一种Two-Branch 量化选股模型,该模型打破了技术面分析和基本面分析的壁垒,能够同时利用技术面数据和基本面数据对选股进行端到端的分析。论文实验部分将该模型跟基于套利定价理论(APT)的线性模型、LSTM模型进行了对比,并在市场极端环境下对模型的选股能力进行了测试。实验结果表明,Two-Branch模型比线性模型和LSTM模型能够产生更好的收益,同时在极端市场环境熊市和牛市的风险收益表现要优于沪深300。论文的最后一部分设计并实现了一种基于机器学习模型策略的量化选股系统,该系统能够对基于机器学习的量化选股模型进行回测和实盘模拟。