指数增强策略是在控制对基准指数跟踪误差的前提下,通过优化投资组合配置,追求超越基准指数表现的投资策略,是主动投资与被动投资之间的有机结合。基于指数增强策略所构建的指数增强型基金具有费率低、调仓透明度高、长期收益高等优良特性,从而受到机构和个人投资者的广泛关注。截至至2021年12月底,我国国内共有指数型增强基金144支,市场规模达1417亿元,数量和规模的同比增长均大于20%,具备良好的发展势头,目前已成为我国指数型基金的重要组成部分。但是随着当前金融市场上,越来越多的与股票价格相关的因子被发掘出来,传统的基于多元线性回归的多因子选股模型因为共线性、内生性、非线性等问题,所构建的指数增强策略组合已无法再继续获取超额收益。随着目前人工智能技术和相关数理统计理论的不断发展,一些优秀的机器学习算法被研究出来,其良好的非线性数据处理能力能够对股票的涨跌进行较为准确的预测,从而构建出收益率较为可观的指数增强策略投资组合。基于以上背景,本文将机器学习算法中较为优秀的Xgboost模型引入指数增强策略,并运用其优秀的分类能力分行业甄选优质股票构建指数增强投资组合,然后进行等权重持仓回测,以期获得超越基准的投资收益。本文首先对Xgboost多因子选股的理论基础和适用性进行了研究分析,认为Xgboost相对于传统的多元线性回归模型和其他的机器学习模型,具有预测精确度高、解释性强的优势。其次从估值、规模、成长、杠杆、财务、动量、技术等方面选取69个因子,构建本文的因子库。然后划分训练集和测试集对Xgboost模型进行训练和参数调优,模型在整个回测期间的AUC值均大于0.5,表明Xgboost模型对股票价格涨跌进行预测是可行的。最后利用Xgboost分类算法输出的股票涨跌预测概率值对股票池中的个股进行打分,根据各行业在沪深300指数中的分布特性,按照行业权重分行业筛选出60只评分较高的股票,选入指数增强投资组合。并对筛选出的股票进行等权重的持仓回测,在2016-12-31至2021-12-31的回测期间内,策略组合的总回报为71%,年化收益率为15.43%,超额收益率alpha为9.2%。同期沪深300指数的回测收益为45.98%,策略组合收益较沪深300基准高出35.95%。说明本文基于Xgboost量化选股构建的指数增强策略是有效的。