随着中国经济的稳定增长和资本市场的逐渐完善,股票投资成为了大众普遍的理财方法之一。量化投资给投资者带来了全新的投资管理工具,凭借着纪律性、及时性和系统化等优点,使之逐渐进入专业化机构投资者的视野。近年来,由于人工智能技术蓬勃发展,机器学习也被更多的研究者用于股票的量化投资研究。本文使用2016年1月1日至2021年11月30日沪深300所有成分股个股样本数据为研究对象,并且以其量价数据和财务基本面数据构造量价因子和财务因子。第一,打分法多因子选股策略,通过因子共线性分析和多空组合回测收益检验对因子进行筛选,根据截面期IC绝对值均值对每期的因子进行打分,对每个股票的因子暴露加权确定每只股票的得分情况,从而根据得分排名靠前的股票确定每期持仓股票池,并且以组合股票数量（10/20/30）作为参数构建三个策略对比分析。第二,XGBoost模型选股策略,通过因子的特征重要度信息筛选部分因子构建XGBoost模型,通过时序交叉验证和网格搜索调参训练每期最优模型,并预测上涨概率最大的股票确定股票池,同样以组合股票数量（10/20/30）作为参数对比分析回测结果。本文研究综合来看,打分法多因子模型的30只股票池选股策略在打分法选股策略中表现最好,取得了多头夏普1.39、多头年化24.23%、最大回撤12.57%和累计多头72.71%的业绩表现。而XGBoost模型选股的30只股票池策略在XGBoost选股策略中表现最好,取得了多头夏普1.28、多头年化28.99%、最大回撤13.45%和累计多头86.97%的业绩表现。比较研究发现,30只股票入池的策略表现都更好,更大的股票持仓数降低了最大回撤、提高了多头夏普,对策略有显著的提升作用;另外XGBoost选股策略虽然回撤比打分法多因子选股策略更大,但总体回测年化收益更高。