近年来,量化投资作为一个新兴的投资方法在金融科技领域备受关注,其运用热门的人工智能算法构建模型代替人为操作,具有避免了人为主观性优点。其中量化投资作为一项海外发展较为成熟而国内起步相对较晚的投资工具,以其高收益和低波动的特点正越来越受到机构投资者的青睐。本文将机器学习领域表现出色的GBDT等机器学习算法运用到多因子选股模型,并根据采用滑动窗口法划分训练集和测试集,以此来适应不同时期的市场风格。在论文结构安排方面,本文首先概述了国内外量化投资领域机器学习的研究应用现状,以及机器学习的基本理论方法;紧接着介绍了本文所选取的初始股票池以及初始因子,然后基于特征工程的特征选择去筛选可能影响股票收益的因子,在模型建立阶段,依据学习曲线、以及网格搜参法寻找最优参数,最终依据选择的模型构建投资策略并验证策略的有效性。基于以上的思路,本文采用了梯度提升树、随机森林、支持向量机、多元逻辑回归算法验证选股模型有效性,实证结果发现GDBT表现较好,其次是随机森林,这也表明集成学习要优于单个的模型。基于梯度提升树的特性,本文进一步的研究因子重要性,发现较为重要的因子多是技术因子,对股票价格具有较强的预测能力,在模型的稳定性分析中,GDBT模型的准确度会随着不同期数而改变,模型准确度集中在0.68附近,总体来说表现良好。在历史业绩回测中,本文分别使用上述四个模型预测结果进行回测,将每期预测为优势股的概率值进行排序,每期做多概率排名在前20的股票,以该种方式来构建投资组合,回测结果表明GBDT表现最优,基于GBDT的策略多头回测收益为167.79%,多头年化为43.14%,而中证500的基准年化为-6.4%,远超同期的基准年化收益,夏普比率为1.84,表明该策略的风险回报比较优,说明该策略对投资者具有一定参考的价值。文章最后使用混合模型去调整投资策略,结果发现基于梯度提升树、随机森林、逻辑回归的混合模型投资策略,在风险和收益方面,模型效果都有一定的提升。本文基于机器学习的构建的多因子选股模型,旨在探寻金融数据之间的复杂关系,使用特征工程对有效的信息进行过滤,建立的模型也对投资决策具有一定的参考意义。