量化投资是一种从历史数据提取出有效经验,并将这种经验应用于指导未来的一种投资方式。与传统的主观投资不同,量化投资不受人的主观情绪波动的影响,从而可以保持投资逻辑的稳定性和一致性。多因子选股作为权益类市场量化投资的重要策略一直以来都是学术界和业界关注的焦点。与传统的多因子选股模型通常关注标的资产的收益与各因子之间的线性关系不同,本文第一部分基于决策树模型可以发掘变量间的非线性和关系和解释性强的特点,对2006年4月至2018年6月的全A股市场数据建立了基于决策树的随机森林和XGBOOST两个集成算法模型的选股策略。并对上述策略分别进行了纯多头和市场中性的策略回测。其中18个月滚动训练的随机森林模型取得了纯多头23.8%的年化收益和0.673的夏普比率,市场中性26.7%的年化收益和1.447的夏普比率;18个月滚动训练的XGBOOST模型取得了纯多头26.8%的年化收益和0.782的夏普比率,市场中性28.9%的年化收益和1.594的夏普比率。纯多头策略和市场中性策略都远强于沪深300和中证500指数基准。第二部分首先提出了基于Focal-loss损失函数的XGBOOST模型以期在难分样本上取得更优效果,但结果并无明显变化。其次基于2017年市场风格切换导致的因子失效以及未来可能再次出现相同情况的现实,提出了基于不同长度训练集模型的模型融合方法,有效地提高了模型对于市场变化的反应能力。本文基于我国A股市场风格总体保持稳定的事实,放松了对于机器学习训练集和测试集样本来源同分布的假设。因此将时间序列数据截面化的思想的有效性仍有待市场样本外的表现加以验证。