随着我国资本市场的发展,资本市场发生了许多变化。从无到有,从科创板到注册制,从股指期货衍生品到北京证券交易所,我国资本市场正日益完善,与国际市场接轨。过去的许多经验都告诉我们,随着一门学科研究至深,必将出现利用数字进行特征描述的情况,投资领域同样符合这个结论。随着数学基础理论、计算机技术和机器学习算法的发展,投资者的视野范围中出现了量化投资。目前,在各类基金产品遍地开花的局面下,量化基金产品异军突起,交出亮眼成绩单,成为主流基金品种之一。在互联网时代下,人工智能技术进一步深入发展,量化投资的发展也呈现出新局面,逐步向投资智能化进行转变。在量化投资的决策中,机器学习算法应用普遍。基于量化多因子模型和机器学习算法相关理论,本文验证机器学习算法应用于金融市场的有效性,并研究金融证券价格走势预测。探究随机森林算法、Adaboost算法、XGBoost算法和Light GBM算法结合多因子模型的选股能力,并对Light GBM模型线性影响与非线性影响进行进一步解释与优化。可以基于此选取那些有投资价值的股票进行投资,进而构造投资组合。本文利用我国A股市场2016年至2021年日频数据进行实证研究。基于因子的经济学意义,选取技术指标与常见风格因子进行研究。从数据准备与处理、机器学习模型有效性验证、机器学习模型策略构建和策略优化四个部分,完成了基于机器学习方法的多因子选股策略的研究。首先通过对数据进行去极值、处理缺失值、标准化流程处理后,筛选有效因子,构建每期滚动因子池。其次基于技术指标能够预测股票走势的基本特征,利用技术指标通过传统量化择股方法和基于机器学习算法搭建优选决策树模型进行选股,从而验证机器学习模型在投资领域的有效性。再次本文构建基于机器学习模型的多因子选股策略,通过滚动训练模型的方法,利用机器学习算法对比不同模型策略,预测股票涨跌,构建每日投资组合。对实证结果进行分析,发现以随机森林模型为代表的Bagging思想算法表现不如Boosting思想算法表现。在Boosting思想算法中,以Light GBM模型表现最好。从而将Light GBM模型作为本文主要研究模型。进一步从实证的角度进行分析,将模型对各因子的影响分为线性影响和非线性影响。与传统多因子线性模型相比,运用机器学习方法搭建的非线性模型,能够进一步挖掘数据的非线性关系,且以基础价量因子和技术指标的非线性影响为主。最后针对Light GBM模型策略从选股数量、超参数调整和组合权重优化三个方面进行策略优化。优化目标为以控制最大回撤为条件,提升策略收益率以及夏普比率。综合来说,从选股数量、超参数调整和组合权重优化三个方面都能够提升模型训练效果,而提高基于模型构建的策略绩效。