随着数据科学与信息技术的快速发展,各类机器学习与人工智能算法被越来越多地应用于金融领域,量化投资应运而生。量化投资在美国等国外市场起步较早,因此发展较为成熟。相比之下,我国的量化交易起步较晚,占比也相对较小,仍有很大的发展空间。所以,研究量化投资在我国A股市场的应用具有很强的理论意义与现实价值。本文构建了一个以XGBoost分类模型和XGBoost回归模型为基础的集成模型,并使用中国A股全市场股票的日频数据进行模型的训练与选股,期望能够以此设计一个稳定获取超额收益的量化交易策略。首先,本文参考现有研究成果进行初始量化因子的筛选,并根据自身经验设计了一个特色因子——股价变动阻力（resistance）。然后,根据2011年1月1日至2023年2月28日全部A股的日频数据计算得到2022年1月1日至2023年2月28日的因子值并进行了数据清洗。接着,本文利用因子数据对XGBoost分类模型与XGBoost回归模型进行调参与集成。在此过程中,我们发现利用XGBoost回归模型对XGBoost分类模型的分类结果进行二次筛选,能够有效提升模型选股的准确率。随后,使用机器学习自有的因子评价指标、IC信息系数和IR信息比率对因子进行分析,不仅验证了本文构建的特色指标——60日股价变动阻力具有较好的表现,还发现剔除三种因子分析尾部排名的共有因子能够有效提升模型的选股能力。然后,本文在对训练集长度、训练目标与测试集长度的分析中发现,当训练集长度为120个交易日、训练目标为20日收益率且测试集长度为30个交易日时,模型的选股效果最好。最后,本文使用2012年1月1日至2017年12月31日的数据对模型进行回测检验以获取最优选股策略,并用2018年1月1日至2023年2月28日的数据进行仿真模拟交易验证策略的有效性。结果表明,使用XGBoost分类模型和XGBoost回归模型为基础的集成模型进行选股,并根据最大夏普比率组合配置股票,每20个交易日进行一次调仓,能够获得25.09%的年化收益率、0.8的夏普比率和0.264的年化波动率。本文在构建量化交易策略过程中设计了一个具有出色表现的特色因子——股价波动阻力,随着越来越多的量化因子出现“拥堵”现象,这给大家提供了一个新的选择与思路。此外,本文通过将XGBoost分类模型与XGBoost回归模型进行集成,获得了比单一模型更好的回测收益,这也为量化投资者在模型集成上提供了不同的思路。