随着我国经济的繁荣增长,我国证券市场不断发展,但离有效市场尚有差距,存在利用历史财务和因子数据获取超额收益的空间。对于弱有效市场,采用多因子选股模型构建股票组合是战胜市场的有效办法。面临海量的财务和因子数据,机器学习算法能够有效捕捉其中的股票信息以预测未来股票涨跌,进而帮助选股。此外,随着股指期货、融资融券等新型衍生品工具的推出,Alpha对冲策略也能够引入投资策略,帮助抵御市场的系统性风险,获得股票组合的稳定超额收益。本研究主题是基于机器学习模型构建组合预测选股模型并引入Alpha对冲策略,尝试构建收益稳健的股票投资组合策略,包括三个研究目的,一是采用随机森林、XGBoost的集成学习算法建立收益表现优秀的量化多因子选股模型,二是在此基础上进行模型的组合预测,旨在优化策略的收益和风险表现,三是引入Alpha对冲策略对冲系统性风险,在市场动荡时期实现稳健收益。基于以上三个研究目的,本研究展开模型的构建:第一步,依据投资理论和统计学原理筛选获得能高效预测股票未来涨跌的因子,构建了202因子集和38因子集,两个因子集在不同的模型中有效帮助提升选股性能。第二步,使用随机森林、XGBoost模型分别构建多因子选股模型,并测试不同因子集、训练窗口下的模型在2020至2021年的表现。最终分别获取了年化收益36.94%、夏普比率0.966的随机森林选股模型和年化收益33.22%、夏普比率0.895的XGBoost选股模型。第三步,提出了组合预测方法,将两个机器学习模型的预测能力组合,旨在提高选股模型的预测准确性。本研究的组合预测分为两种组合方式,一是以基础模型输出的股票被分为某一类的概率组合,二是以基础模型输出的股票排名组合。在回测中被证实以排名进行的组合预测模型获得了最高的年化收益率41.27%,其夏普比率达1.141,因此证明组合预测方法是一个有效的提升收益、控制风险的选股模型。第四步,在组合预测选股模型基础上,引入Alpha对冲策略,旨在面临市场的动荡和下跌时,策略仍能够保证稳健的正收益。最终获得了202因子集在5个月训练窗口下训练的以排序方式进行组合预测的Alpha对冲选股策略,能够获得36.07%的年化收益率,夏普比率达到0.99,在市场下跌情况下仍保持了稳健的正收益。此外,重新选取2016年至2017年的市场震荡下行区间进行对冲策略的稳健性检验,Alpha对冲策略比组合预测模型的年收益率高10个百分点,最大回撤率降低了超过18个百分点,策略波动率显著降低。证明了市场震荡环境下,基于组合预测的Alpha对冲策略是一个有效的降低系统性风险,帮助投资者度过市场动荡的稳健选股策略。