集成学习是现在非常流行的机器学习算法。目前,集成学习算法在许多著名的机器学习比赛中取得了很好的成绩。集成学习算法通过组建和联合多个机器学习算法来完成特定学习任务,业内它常被称为多分类器系统或基于委员会的学习,其常比单一学习器具有显著优越性。而且集成学习算法在金融市场的应用领域非常广泛,具体包括预测股票市场走势,预判金融市场风险,构建投资股市方案,处理大量高维抽象的信息等应用领域。投票集成学习算法属于集成学习算法的一种,其在预测股指方面也比单一算法优势明显。但如何利用投票集成学习算法设计选股方案,如何更加有效的应用大量的数据进行多因子量化选股,如何利用单一机器学习算法来构建基于较优基学习器组合的投票集成学习算法,关于这些重要问题的研究文献非常缺乏。本文主要研究设计基于投票集成学习算法的多因子量化选股方案,构建基于较优基学习器组合的投票集成学习算法并以期取得超额收益率。首先本文以沪深300指数成分股为选股范围,选取34个影响股票收益的因子,以股票月涨幅大于HS300指数涨幅标记为“1”,否则标记为“0”。其次用随机森林算法筛选出22个比较重要的特征因子,然后比较分析分别基于六个单一算法的多因子量化选股方案,从中筛选出四个相对优秀的单一算法。再次利用这四个算法分别构建基于11种基学习器组合的硬、软投票集成学习算法,并同时构建了11种基于朴素贝叶斯的Bagging融合算法。最后将这些方案进行比较分析,从而选出最优的多因子量化选股方案。本文研究结论表明,本文构建的基于朴素贝叶斯和支持向量机的基学习器组合的硬投票集成学习算法的多因子量化选股方案是最优的,其选股回测的总体表现比六个单一算法、基于其他基学习器组合的投票集成学习算法以及基于朴素贝叶斯的Bagging融合算法更好,同时远好于沪深300指数,在收益方面,其选股回测13个月累计总收益率高达123.5%,在风险方面,最大回撤为3.43%,在稳定性方面,回测13个月跑赢沪深300指数基准10个月。