在国外,对股票进行定量分析之后再进行实盘操作已经成为当前的主流,但是在国内却是方兴未艾。近年来我国的资本市场热度得到了迅速的升高、各种风险防控手段完善、产品种类日益繁多,相关的技术也日渐成熟起来。与此同时投资者按照传统的依赖于主观判断的基本面投资使得股票价格的投机性变得越来越强。投资者很难在投资市场中很好的进行投资风险的控制、以及获得稳定收益,所以采取更理性的方法从而面对越来越复杂的投资市场就显得尤为重要。对于金融量化交易系统,本文旨在提供给投资者一个进行便捷操作的量化交易的平台。本文主要涉及到其中用户登录,数据采集,策略编写、策略回测模块。最后基于Tkinter搭建整个基础平台,承载上述各个模块,并可对数据进行查询以及实现数据的可视化。对于金融量化交易算法,本文研究了九大类因子,交易量指标因子、成长因子、动量因子（包括行业动量因子和个股动量因子）、行情波动因子、杠杆因子（包括行业杠杆因子和个股杠杆因子）、估值因子（包括行业估值因子和个股估值因子）、技术因子、行业盈利因子和宏观特异度因子,共六十九个因子,对多因子量化交易算法进行了全面的分析。本文的第一个亮点,是将行业动量因子、行业杠杆因子、行业估值因子和宏观特异度因子加入到了多因子量化交易算法当中,从而完善了从多维度进行选股的量化交易体系。本文的第二个亮点,是在九大类因子的基础上,将行业数据因子和宏观因子进行整合并应用到大类资产配置模型中,提出了基于行业轮动的多因子量化交易算法。本文的第三个亮点,是基于上述大类资产配置模型和行业轮动选股模型,加入了机器学习模型进行历史数据的训练拟合,挖掘有效的机器学习模型进行股票价格趋势预测,提出了基于机器学习的多因子量化交易算法。最后对上述基于机器学习的多因子量化交易算法进行了进一步的优化,加入了机器学习的择时和仓位管理,考虑不同时间点的买卖,并且按照信号强弱调整买卖的比例,使得该量化交易算法得到了进一步的提升。