随着信息技术的不断发展,各种数据处理技术和机器学习算法大量被应用在金融领域,正在深刻地影响着行业发展的方方面面。机器学习模型具有形式灵活、泛化能力强、与硬件结合紧密等优点,使得现实中的“不确定”不再是障碍而是一种可以利用的“资源”,有着广阔的的理论发展空间和巨大的实用价值。随着国内金融市场的开放和产品创新,容量相对较大的多因子量化多头策略将会在逐步占据主导地位。本文将机器学习引入多因子选股模型,对其在投资领域中的选股绩效进行研究。在参考大量因子投资和资产定价领域的权威文献的基础上,本文基于2010年1月至2021年8月A股市场的日频个股数据,构建了56个异象因子,并回测各因子在A股的多空收益组合绩效。之后,本文将这些因子作为特征输入,系统性地比较不同机器学习模型的选股绩效。本文共选取传统线性回归和套索回归、岭回归、弹性网络回归、梯度提升树、随机森林、多层感知机、循环神经网络、长短期记忆网络和门控循环单元共12种模型,进行12个月的固定窗口滚动训练。再根据训练后的模型构建多空组合进行回测。实证结果表明,相比传统线性回归,机器学习的非线性学习能力在处理大量因子时具有显著的优势,根据相应模型构建的投资组合绩效长期优于线性回归模型。基于单隐藏层的多层感知机模型（MLP1）构建的投资组合最高能够获得17.72%的多头年化收益和9.576%的多空年化收益。本文也检验了不同因子在A股市场中对预测股票收益率的重要性,发现流动性因子的重要性最高。本文尝试将机器学习与多因子选股结合,能有效提高模型的预测性和解释力,有助于挖掘传统线性模型以外的有效信息。同时,本文也根据因子重要性所反映的市场特征,对A股市场制度完善提出了建议。但受限于算力,本文中的机器学习模型仍有优化空间,其次,从不同层面引入更多因子也是未来研究的方向之一。