在中国A股市场环境愈发成熟、政策法规愈发完善、投资者的参与程度以及专业化程度愈发提高的背景之下,对于证券市场的理论和实践研究在一直深入。各种投资策略层出不穷,这其中指数增强策略凭借着其可以在保障跟踪指数所获得的基本收益率的情况下获得超额收益率的优势,同时满足了投资者对风险控制和追逐高收益两方面的需求。指数增强策略的核心是进行个股选择挖掘出具有超额Alpha收益的优质资产。传统的因子选股模型在大数据技术及计算机技术快速发展背景下受到多因子量化选股模型的理论及实践冲击。本文正是基于此时代背景使用机器学习模型融合策略对多因子量化选股模型进行设计,以谋求对指数增强策略优化的目的。为更全面研究中国A股市场大中小不同市值个股的选择,本文指数增强策略选择的指数标的为中证800。本文充分利用机器学习技术优势,一方面在多因子量化选股模型算法的选取上,使用XGBoost和LightGBM两种机器学习树模型构建基础学习器;另一方面使用Stacking方式对基础学习器进行融合以获得更强的模型融合强学习器;此外还对机器学习算法经模型融合前后的效果表现进行了对比分析。在对训练样本的选取上,本文聚焦对个股影响因素更大的风格因子,全面考虑了传统因子、技术因子、另类因子,选取了12大类共计89个因子作为个股特征纳入机器学习样本训练。训练方案为二分类学习训练,对个股标记的0或者1意味着对个股的选择与否,在训练标签的选取上,对超额收益率、累计收益率、夏普比率三个标签进行分别训练回测,证明以超额收益率作为学习标签对谋求超额alpha收益效果最明显。同时本文依据梯度提升树模型在训练提升时对因子重要度赋予的权重不同进行因子评价,一方面通过因子评价构建因子择时策略对因子进行筛选以对模型回测结果进行进一步优化;另一方面根据因子重要度评价对因子进行分析,分析结果为多因子量化模型在A股市场的应用提供借鉴意义。关于模型融合策略优化,本文首先对机器学习模型融合算法进行参数调整以获取最优精度的超参数,其次对经过优化后的模型由等权重持仓策略改变为市值权重持仓策略,发现市值因素在2017年至2020年期间对A股个股收益率有着极为明显的影响。本文经过指数增强策略设计、模型训练回测及优化、模型和因子重要度分析等多个环节研究,得出结论如下:1.基于机器学习算法的多因子量化选股模型相较于传统多因子选股模型有较大的可能性空间。充分结合选股模型应用场景选取适当的机器学习算法搭建模型可对多因子选股模型的预测效果进行明显的提升,达到指数增强效果。2.由于机器学习算法本身应用广泛差异较大,通过设计合理的模型融合策略可以更大发挥机器学习算法的预测优势。但同质化较高的基学习器在较为平行的融合策略下提升效果有限。3.在多因子选股模型学习训练中,通过合理的方式选择因子择时策略先对样本特征进行一轮筛选,再将筛选之后的因子纳入到正式的样本训练中可以获得更加出色的模型表现。4.对强学习器进行参数优化为其带来的预测效果提升可能有限,但可通过纳入更多的基学习器或设计更为复杂的模型融合结构来对预测效果进行提升。同时不同的市场状态以及持仓权重的不同均会影响模型训练效果。5.不同因子特征对与个股收益率的影响是不同的,同一因子在不同的时期也会有着不一样的表现,但因子自身表现是否出色具有相对稳定性。基于本文的研究分析及所得结论,以及共同富裕的时代背景下公民对财富管理愈发强烈的需求,本文提出:应深化中国证券市场的发展、丰富指数增强策略的设计研究、促进多因子选股模型理论研究与量化投资技术的结合应用、加深机器学习的理论研究和在金融领域的应用等倡议。