随着经济的高速增长,中国资本市场不断改革完善,未来A股市场将会变得更加公开、透明,政策市的影响将逐步降低。截至2019年底,沪深两市市值合计60多万亿元,上市公司达3800余家,投资者超过1.5亿人。A股的规模迅速增长,每个交易日都会产生巨量的金融数据,证券市场风云变化莫测,投资者的精力也是有限的,不可能逐个去研究投资标的,但是随着计算机科学技术的迅速发展,量化投资应运而生。量化投资是指以数学、金融学、统计学或机器学习算法为基础,利用计算机程序,设计并实现投资交易策略的过程。证券市场波动频繁,股票价格受多种因素影响,传统的线性模型往往预测效果不佳,随着人工智能的发展,机器学习算法逐渐被运用到量化交易中。集成学习是一种非常经典的机器学习算法,通常与单一算法相比具有更多的优势。本文重点研究了基于集成学习算法的A股投资策略,主要工作包括从聚宽量化交易平台提取相关股票数据,并选取了通常会影响股价的50个变量构建特征因子库,使用Python编程语言,将Random Forest和Ada Boost两种算法分别与特征因子库相结合,从而构建集成学习算法选股模型。利用集成学习算法对股票样本数据进行训练,把样本数据划分成训练数据集和验证数据集,分别利用模型对所选的数据进行样本内训练和交叉验证调整参数,最后利用样本外数据进行测试。通过对沪深300和中证500,以及全部A股等样本的对比测试,优化设置模型参数,并根据最终测试结果对模型进行综合评价,选取预测上涨概率最大的10只个股建立投资策略组合,并对投资组合进行回测,分析投资组合表现。文中对Random Forest和Ada Boost算法理论进行了分析和阐述,并使用准确率、AUC等指标对模型进行了评价。经过分析,采用这两种机器学习算法构建的选股模型适用于A股市场,选取的投资组合在测试区间取得了较好收益,能够跑赢大盘指数,对广大投资者和量化爱好者均具有参考意义。