大数据时代,基于一些数学与统计方法的研究带动了很多产业的发展,量化投资就是之一,其是将一些定量的方法应用到传统的金融股票市场,借助计算机强大的计算能力和一些算法的超强学习能力来辅助投资者做出投资决策,为投资者规避风险、获得超额收益。量化选股是量化投资的具体形式之一,其比较重要的两部分是如何量化（即构建因子）和如何选股（即选择哪几支股票）,本文主要关注如何选股。对于因子构建环节,考虑到因子的短暂有效特征与在选股部分所建每一期模型也会对因子进行筛选和替换,所以本文采取了现有研究中比较有效的36个因子。在选股部分,本文创造性地将常用于推荐系统的因子分解机模型（FM）引入了量化选股之中,构建了基于Boosting＿FM的模型,即先采取Boosting对因子特征进行筛选,再将所得特征进行one-hot编码,进而输入后续的FM模型。从而可以借助Boosting模型在特征筛选上的优点与FM在处理高维稀疏数据的能力,对股票数据进行建模预测。在模型回测部分,通过将Boosting＿FM与其本身的Boosting模型进行风险收益、分类性能比较发现,Boosting＿FM模型比单独的Boosting模型效果更好;同时,对比其他模型,如Boosting＿lr,Boosting＿FM也展现了比较可观的效果。在实证方面,经过对模型优化,最终采取240天作为滚动周期,60天作为调仓周期,5支股票作为持股数目,以2015年01月01日到2020年12月31日作为回测周期。数值结果显示,在历史数据上,基于Boosting＿FM的模型获得的累计收益率是227.4%,年化收益率是22.47%,夏普比率是59.40%,最大回撤为44.36%,波动率为31.10%,对比选取的基准即中证500,可以发现构造的Boosting＿FM远远超过大盘指数,充分证明了策略的实用性。