量化投资作为一种模型化的投资方式,因其客观理性、准确高效的特点,越来越受到投资者的青睐。在量化投资领域,多因子选股策略是最具有代表性的交易策略,包容性强。多因子策略能充分发挥基本面因素和技术因素的优势,并且能与行为金融学、金融物理学等新金融理论结合,将最新的经济逻辑或市场经验转化为因子纳入到选股模型中。随着机器学习技术的兴起,多因子选股策略迸发出新的活力,机器学习算法能帮助识别庞大金融数据中的复杂模式,提高策略的获利能力。我国量化投资的历史并不长,但发展前景广阔。在此背景下,为了将XGBoost算法应用于多因子策略,本文设计了一套完整的XGBoost多因子选股方案。本文的研究样本为沪深300指数成分股2009年1月至2018年12月每月最后一个交易日的数据,包括244个因子数据和1个收益率数据,并将因子数据和次月收益率数据对齐。本文的量化框架主要包括备选因子数据的预处理、XGBoost筛选因子、XGBoost超参数寻优、模型训练和选股、回测和策略评价等五部分。本文的策略评价体系包括收益和风险两部分,基于XGBoost的多因子选股策略在回测期间获得了29.89%的年化收益率,夏普比率达到2.82,最大回撤等其他指标均优于基准沪深300指数。本文还针对策略在熊市中表现较差的现象,使用沪深300股指期货对冲系统风险,有效降低了策略的最大回撤。最后,本文设计了一组对比实验用于验证XGBoost算法筛选因子的效果,发现使用XGBoost筛选因子是一种可行的方案,与此同时,采用动态筛选因子的方式能提高策略的抗风险能力。