由于机器学习模型在信息挖掘和非线性信息获取上的优秀性能,多因子选股和机器学习模型的结合在量化选股模型中逐渐受到重视,并随着硬件性能的提升而得到广泛应用。集成学习算法属于机器学习算法中的一类,通过将众多弱学习器进行反复优化并最终结合得到一个强学习器,能够使得最终模型性能获得较大提升,在分类预测中具有较高的准确率和稳定性。本文将选股目的设定为涨跌的区分,构建分类问题,基于集成学习中,Boosting簇中的Adaboost分类算法和Bagging簇中的随机森林算法,分别与多因子选股模型的结合来构建量化选股模型,并对两集成学习算法结果进行对比分析。量化选股模型构建首先需要搭建因子库,选取有效因子。现今大部分用于训练的因子数据是基于日频数据构建,同类数据信息的挖掘与结合的增多导致市场应用中因子表现下降。本文基于高频数据构建因子,以期获得有效信息。基于动量类因子,波动类因子,其他技术指标和Alpha101中部分指标构建因子库,并通过排序打分法对高频因子有效性进行检验,得以筛选出20个因子,并根据相关性检验通过主成分分析的方法提取了11个主成分作为最终的有效因子进入模型训练。本文使用AUC序列均值和方差作为模型性能及稳定性的衡量。本文先对集成学习算法的基学习器进行了效果检验,显示SVM表现要优于逻辑回归和决策树模型,但由于训练时间过长,SVM和逻辑回归模型未被纳入到集成学习模型中进行训练。通过对集成学习模型进行检验与回测,最终结果显示,Adaboost模型收益能力更强,其年化收益为18.6%,高于随机森林模型的17.4%。而随机森林模型在信息比率和最大回撤上的表现均优于Adaboost算法,即随机森林模型具有更优的稳定性。