量化投资可以说是伴随着计算机的发展而逐渐兴起的,随着量化投资的进一步发展以及各种相应理论的进一步完善,量化投资模型不断推陈出新。传统多因子选股模型假设因子与收益率存在线性关系,构建的投资组合实证效果比较优异,也是发展比较成熟的理论。多因子选股是量化选股投资中比较常见的模型,多因子选股模型是以资本资产定价模型、马科维茨投资组合理论、Fama-French三因子模型为理论基础,通过分析市场上的各种信息对股票价格的影响,构造相应的投资组合。但传统多因子模型线性关系的假设不能完全解释因子与收益率之间的关系。神经网络技术具有非线性拟合,应用广泛等优点,可以很好的嵌套在多因子选股模型中,用以解释因子与收益率之间的关系。本文从传统多因子选股模型出发,通过多因子选股模型的发展演变过程来分析传统多因子模型的思想核心,评判多因子模型的优劣。在分析传统多因子模型中因子对收益率解释不足的基础上,尝试将BP神经网络引入到多因子模型中,以非线性关系来解释因子与收益率之间的关系。在具体的基于BP神经网络的多因子建模过程中,首先使用MIC方法对因子与收益率之间的非线性关系强弱进行判定,筛选出与收益率非线性关系强的因子组合。其次,本文基于有效因子构建BP神经网络。在这一部分,本文使用2012-2020年历史数据以轮动的形式构建BP神经网络。以2012-2017年数据构建初始神经网络模型,并不断调整参数,选择拟合最好的神经网络模型,并对2018年股票收益率预测。之后将2018年实际数据引入到模型中,进一步优化BP神经网络的参数,对2019年股票收益率预测。最后将2019年实际数据引入到模型中,进一步优化BP神经网络的参数,对2020年股票收益率预测。通过不断引入新数据的过程使神经网络模型始终是以最新数据建立的。最后将每一期筛选出高收益股票构建成投资组合并计算投资组合实际收益率和波动率。将投资组合和沪深300指数在同一时期的收益率和波动率进行横向比较,分析基于BP神经网络多因子选股策略的有效性。本文通过实证检验,验证了 BP神经网络能够很好的拟合有效因子与收益率之间的非线性关系,但在实际构建投资组合时,投资组合收益率受投资时机选取的影响,实践应用效果被波谲云诡的市场所削弱。基于BP神经网络的多因子选股策略可以取得超额收益,但在实盘操作中受市场有效性、投资时机、平仓时机等因素的影响。