近年来随着金融科技的推广应用与资本市场制度的逐步完善,关于对量化投资的研究在中国越来越受到广大投资者的关注与推崇。量化投资是指通过挖掘经济金融数据与投资标的未来走势之间的关系,以获得超额收益为目的数量化投资方法。在量化投资中,基于资本资产定价模型发展而来的股票多因子模型是应用比较广泛的模型结构。挖掘具有显著盈利能力和稳健性的因子并制定利用这些因子进行股票标的的选择与投资的交易策略,逐渐成为该领域中的热点问题。国内的A股市场经历了近三十年的发展,已经积累了可供量化交易挖掘的数据资源,可以通过借助机器学习、深度学习算法等分析工具,寻找因子与股票收益率之间的关系,构建多因子股票组合,为市场交易提供有效的投资指导。本文以中证500成分股为样本股票池,以2009年1月到2017年12月为样本期间,将月度样本股票数据作为研究对象,使用Python的库模块实现因子数据处理。结合Fama-French五因子模型中四个经典因子,包含市值因子、账面市值比因子、盈利因子与投资因子,再创新性地引入市场认知度高的价量指标,重新构造因子组合。并通过AutoEncoder模型对构造的因子组合进行优化处理,模型训练后能有效辨识单个因子特征及因子与因子之间的非线性关系,IC均值较传统因子均值高出31.46%,初步显示出编码因子降维去噪效果的显著性。综合考虑不同网络结构的编码因子表现以及稳定性后,最终确立了4维5层栈式稀疏自编码模型。通过构建XGboost模型,寻找编码因子与股票收益率间的非线性关系。模型参数测试报告结果显示ACC为0.6546,AUC为0.733634,反映出该模型具备较高的预测能力。为了验证该模型预测效果,设置线性逻辑回归模型作为对照组。通过分层回测结果显示:XGboost模型对冲策略年化收益率为10.97%,较线性回归模型10.82%高出3.37个百分点,说明XGboost模型的主动收益能力较传统的线性回归模型有所提升。XGboost模型收益波动率0.0714,较线性回归模型0.0781低了8.58个百分点,模型的平稳性表现更强。从综合反映风险收益关系的信息比率与夏普比率分析,XGboost的这两项指标均超越了普通线性模型的表现,XGboost在寻找因子收益关系的回归分类方面确实存在着较大的优势。最后运用Alpha指数对冲策略,对最优组合进行市场风险的对冲,获取多因子股票组合的超额收益。