随着机器学习在各个领域大放异彩,越来越多的学者开始探究如何将其应用到股票投资市场中来,以期获得稳定的收益率。其实在量化界,海外的发达国家很早就已经开始大规模地将人工智能领域的各项算法用于辅助投资决策,已然成为一种不可或缺的辅助工具了。而由于我国A股市场创立时间晚且制度不完善等各方面原因,起初这一方式并不能起到显著的作用,但随着我国证券市场制度的不断完善,这一方法正在不断地发光发热!本文的核心目的在于筛选出最能影响股票价格波动的特征因子,从而构建一套能够获得稳定收益的多因子选股模型。最终筛选得到的因子的质量将直接影响到模型的预测效果,即后续构建股票组合的收益率和稳定性。本文选取了沪深300成分股自2012年9月至2020年9月共计8年96个月的数据,选用优矿量化因子库中244个因子作为备选因子,通过Normal IC判别得到105个为有效因子,其中63个为正有效因子,42个为负有效因子;Rank IC判别得到84个有效因子,其中40个为正有效因子,44个为负有效因子。辅以随机森林和GBDT算法中对特征的重要度计算共计四种方法对特征因子的有效性进行分析最终选定84个特征因子进行建模。而后基于2013年至2017年共计五年的数据分别选用随机森林算法,GBDT算法,Cat Boost算法等集成学习算法进行网格调参建模,根据分类器性能评价指标如准确率、F1值、AUC值等指标综合比较,最终选定GBDT算法进行后续选股。基于此前网格调参获取的算法最佳参数对2019年9月至2020年8月共计12个月的月度因子数据进行选股,每月选出上涨概率最大的5只股票进行等权重的建仓调仓。最终对选定的投资组合进行回测分析收益后发现,模型选定的投资组合总收益率为71.26%,较基准收益率高出了44.63个百分点,证明了模型选股的可行性。此外,风险指标中最大回撤为20.87%,夏普比率为1.21,12期选股中共有8期投资组合的收益超过了基准收益率,也是证明了模型的稳定性。本文的研究结果也是证明了将机器学习算法运用到金融领域证券市场的可行性,相信将来两者之间也会联系得更加紧密。