随着国内的金融开放及科技发展,人们在投资分析时不仅仅局限于传统基本面和技术分析,基于数据和规则的量化投资的应用开始逐渐兴起。因子投资则是量化投资的一个热门研究方向,近两年,机器学习算法与多因子策略结合的方向进行了一些研究,但还远不完善,存在着策略未能充分利用因子信息、投资策略常陷入过拟合、可解释性较差等问题。本文针对现有因子筛选及策略模型中存在的问题,在现有相关因子投资研究的基础上,构建了基于独立双重排序的因子筛选方法,并使用基于改进后的模型S-TabNet对多因子投资与机器学习相结合的投资方式展开研究。主要工作如下:1.针对当前因子筛选方式较为简单、信息利用不够充分的问题,提出一种基于双重排序和显著性指标的因子筛选方法。因子的筛选问题是能否充分利用因子信息的关键,对主流论文发表的198个因子构建因子库,并依此构建了一个基于双重排序和显著性指标的筛选因子的方式,来鉴别因子的好坏。该方法相比以往研究方法不但更多的考虑因子收益率,而且有效的改善了独立双重排序筛选方法中选股不平衡的问题。2.针对目前传统机器学习方法容易过拟合和解释性较差的问题。本文使用通达信、Tushare等工具获取股票数据,并对其进行预处理;其次,使用优化过的模拟决策树过程的模型S-TabNet对筛选后的股票因子数据进行处理,进而用于股价预测分析。最后,融合RSRS风控系统,对预测结果的波动性进行有效控制,从而形成选股交易策略。实验表明,该方法相比传统因子投资及目前主流的因子投资方法更为有效,可解释性及过拟合问题也得到改善,同时S-TabNet也改善了TabNet时间复杂度较高的问题。3.本文构建了一个基于S-TabNet的多因子投资交易系统。原型系统以因子和A股数据作为基础,结合S-TabNet对股票进行筛选并获得建议买卖股票列表。该系统为本文提出的方法提供了可行性和有效性实验验证环境,也为后期实用系统的开发提供了参考。