随着金融业和计算机技术的迅速发展,量化投资受到中国证券业越来越多的关注,已成为证券业研究的热点问题。股票市场是一个复杂的非线性系统,利用传统算法构建模型作为股价预测和投资指导的工具,具有很大的局限性,且传统量化模型偏单一,因此本文基于机器学习算法构建量化投资模型进行股价预测和投资指导是很有必要的。本文使用沪深300指数成分股作为股票池,2013年1月至2017年12月每季度最后一个交易日的因子截面数据作为全部的数据样本,研究如何将基于惩罚约束思想的算法和多因子模型相结合,构建基于惩罚约束方法的量化投资策略,对策略的历史回测结果进行评价分析,并提出风险控制优化方案,以期能获取稳健的超额收益。首先,本文选取了2017年第一季度末的因子数据和2017年第二季度沪深300成分股的收益率数据作为样本数据,其中选取了质量类因子、价值类因子、情绪类因子、技术指标因子和成长类因子共42个因子作为输入变量,股票的未来收益率作为输出变量,构建回归预测模型,分别比较了多元线性回归模型和基于惩罚约束方法的LASSO回归模型、弹性网回归这三种方法的预测精度,以此证明了基于惩罚约束方法的预测模型优于传统的多元线性回归模型,且弹性网回归在模型预测精度上优于LASSO回归模型;同时本文基于惩罚约束的思想结合了主成分分析和LASSO回归,提出了改进的回归预测方法PCA-LASSO模型,并用来预测股票的未来收益,理论上PCA-LASSO模型既消除了严重的多重共线性,又达到了降维的目的,且实证结果也表明了PCA-LASSO模型在模型预测精度上是最优的。然后,本文分别基于以上四种模型采用滚动预测的方法,构建了基于回归法的多因子量化选股模型。根据每期模型的预测结果,将排名靠前的50只股票作为投资者在未来一期投资的股票组合,并进行历史回测检验,整个回测时间是2013年01月31日至2017年12月31日,策略是季度调仓。回测结果表明基于PCA-LASSO方法的策略年化收益率是45.4%,基于弹性网回归的策略年化收益率是43.2%,基于LASSO回归的策略年化收益率是40.4%,而基准年化收益率为15.7%,表明基于惩罚约束方法的多因子选股模型收益跑赢了沪深300指数大盘,且改进的PCA-LASSO模型在历史回测期间也是表现最优的。最后,为了控制投资者风险,在多因子量化选股的基础上,设计出相应的双均线量化择时策略,并对该择时策略进行交易回测。实证研究表明,基于双均线交易策略的年化收益率为28.8%,而基准收益的年化收益率为15.7%,可见基于双均线技术指标的量化择时收益跑赢了沪深300指数大盘,且双均线策略的收益的最大回撤为6.3%,而沪深300指数的最大回撤为108.8%,显然均线策略的风险比沪深300指数的小。由此可见,当股市波动幅度较大且相对较为频繁时,量化择时策略在帮助投资者获得稳定的正向收益的同时,也更加有效地控制了风险。