中国的证券市场波动率较大,受市场环境的影响较大,传统的技术分析和基本面分析难以在短期内准确预测国内行情,投资者不得不面临预料之外的损失。量化投资策略开始崭露头角,量化策略利用其数学逻辑可以避免交易过程中的情绪决策,同时能够通过自动监控,更高效地完成交易。然而传统的多因子量化选股策略存在一些缺陷:首先,传统的静态投资策略往往只适用于一定时期的市场逻辑,因子通常只在一段时间内有效。因此本研究创造性地提出了多因子动态选股策略,在每个时期动态选择当期的最优因子,使策略能最大程度适应市场变化的风险,在熊市牛市和波动市运作良好。本研究选取了经典的随机森林模型进行动态选股。传统的静态选股方法为筛选出固定的因子池,在投资期间因子都不会变更。本研究通过随机森林回归模型,每季度初以当期过去6个月每期全A市场股票因子值和下期收益率作为训练集和测试集选择重要度排名累计达80%的因子作为当期因子,以季度为频次滚动选择因子。其次,量化策略还有一个缺陷在于:传统的多因子量化选股策略都是基于线性关系来拟合未来行情走势的,而在我国复杂的,高噪声的,非/弱有效的动态市场环境下,线性模型的拟合效果容错性相对较低,回归错误的概率较高,容易造成较高的最大回撤,即容易导致较高的风险。随着机器学习和人工智能领域的不断发展,金融市场机器学习的应用越来越被投资者所接受,从而在投资领域得到了有效应用。机器学习技术能够捕获因子之间的非线性关系。国内（祝养豹,2020）和国外（Lee,2009）证券市场的实证研究均显示,相较于传统的线性分析模型,机器学习算法表现出更好的预测效果,有效提升了收益率。本研究从分类问题的视角看待选股问题,将股票按收益率分为5类（收益率＜-10%,-10%-0,0-5%,5%-10%,＞10%）,引入目前在分类预测领域应用最广泛的3个机器学习算法（XGBoost,SVM和LightGBM算法）进行分类概率预测,在预期收益率最高的类别中选择概率最高的前20只股票作为模型股票精选池。对比3种算法的表现后筛选出最优算法,构建选股模型。综上,本研究构建了一个基于机器学习的多因子动态选股模型,在每期用随机森林模型动态选择当期的最优因子,用机器学习算法对股票收益率进行分类概率预测,使得策略能在熊市牛市和波动市运作良好。既弥补了时效性的不足,又能更准确地做出预测。先确定初始股票池及因子池:本研究选取了聚宽平台上的九大类45个因子作为动态因子筛选的因子池;将2012至2021年十年间的全市场A股数据（剔除ST、新股和次新股）作为股票池。接下来开始构建基于机器学习的多因子动态选股模型。首先,对比了基于XGBoost算法的静态和动态选股策略的差异:实证研究结果表明,基于XGBoost的静态策略的收益率为92.37%,低于沪深300ETF的131.03%的基准收益。而基于XGBoost的动态选股策略在累计收益率、年化收益率方面明显均优于沪深300,最终实现271.47%的总收益,远高于沪深300的131.03%的基准收益。其次,对比了XGBoost,SVM和LightGBM算法在进行分类概率预测时的表现,实证研究结果表明XGBoost的预测表现优于SVM优于LightGBM,进一步体现了XGBoost模型优秀的选股能力和分类概率预测能力。同时确定了基于XGBoost算法的多因子动态选股策略。此外在对比过程中还发现3种算法在同一台设备上的运行速度:LightGBM（平均25s）快于XGBoost快于SVM。最后,进一步优化该策略参数,分别从持仓数量、调仓频率和组合权重3个变量来优化该策略。发现在持仓数量为20只股票,调仓频率为季度频次,组合权重为根据XGBoost的预测概率调整的仓位权重下的配置表现最佳,策略总收益达到272.30%,构建出最终的选股策略。该策略在现实领域有较大的应用价值;从理论价值来看,本研究比较了3种主要机器学习算法的优劣,为进一步的深入探究与比较不同算法提供了参考;本研究还开创性地构建了机器学习与动态选股相结合的混合选股策略并在证券市场运作良好,为相关量化投资策略的设计提供了可供参考的操作流程,基于随机森林模型的动态多因子选股策略的设计也具有一定的借鉴价值。