量化投资是一种利用数理统计模型和计算机技术发现股票市场规律,并将该规律运用于投资的交易策略。相较于传统人工投资,量化投资更为客观,能够有效降低人为主观情绪引起的投资风险。多因子模型是量化投资的重要模型之一,具有高效和可塑性强的特点,因此被广大机构和个人投资者接受和使用。但近年来,由于A股市场的不断变化以及投资者过多地使用多因子模型,导致许多基于多因子模型的基金表现不佳。为更精准地把握市场变动方向,挑选最有效的因子。本文在因子筛选阶段采用混合式特征选择方法,即先进行过滤式选择,再进行封包式选择。在过滤式方法中,使用因子信息系数和因子分组收益双准则进行过滤,得到初步的特征子集。然后利用遗传算法作为封包式方法的搜索策略,寻找最优特征。其中在遗传算法搜索中,本文使用决策树算法作为适应度函数,受试者工作特征曲线面积作为适应度评估值,建立基于遗传算法的混合式特征选择模型。本文选取2016年至2019年的沪深300指数股票作为回测样本,构建了多因子模型。先使用单因子测试对7大类共计305个因子进行挑选,建立了本文的候选因子池。然后将上述模型应用于因子筛选中,同时引入轮动因子概念,即每个调仓日都用前6个月的因子数据进行因子检验。再使用随机森林算法对因子和收益率进行动态建模,并与固定因子模型和传统因子检验模型进行绩效对比。最后,为了降低风险,本文使用基于MACD指标的择时策略,对模型进行优化。结果表明:本文提出的模型的性能相较于对比模型有着显著的提升,不仅表现在收益指标,在风险指标上也有较大优势,在使用择时策略后,模型的年化收益可以达到24.46%,夏普比率1.81,说明了本文模型在我国股市的适用性。