量化投资是使计算机代替投资者进行资本市场上的自动交易,能够克服人类的主观情绪,减少追涨杀跌、羊群效应。多因子量化选股模型原理容易理解、具有很强的包容性,是市场上最为常用的量化选股模型之一,但是在高频交易和资金规模急剧扩张的情况下,逐渐出现以下问题:第一,因子在长期使用中出现收益率逐渐减小、逆转或消失的情况,因子数据所包含的信息具有时效性,需要选取一种方法使因子效用最大化、增加因子的使用寿命。第二,多因子数据属于金融时间序列数据,往往具有高维度、非线性等特点,在采用一些现有的机器学习、深度学习算法预测收益率的时候,需要较高的硬件设施和时间成本来训练样本,影响了模型的效用,降低了算法的预测准确率,因此,需要找到合适的算法改善时间序列的预测准确率。针对上述问题,首先,本文构建的选股方案从因子合成角度入手,采用最大化IC-IR加权法合成因子。该方法通过滚动时间窗口确定当期的权重,能够动态设定因子的权重,可以强化因子匹配动态市场的能力,提高因子使用寿命,增加因子收益率,提升模型的稳定性。其次,考虑到因子数据的特征和算法使用的便捷程度,本选股方案选取新颖的深度学习算法——深度森林算法（gc Forest）对收益率进行预测,可以加强原始数据的特征,具有更强的预测准确性,同时对比其它算法具有更简洁的参数设置过程。方案具体过程如下:使用2015年至2019年的沪深300指数成分股的因子数据,数据处理之后进行因子有效性检测,对比指标覆盖常见的因子检验指标,如IC值、IR值、t值等。经过筛选剔除了14个因子。接着进行因子合成,将最大化IC-IR加权法和等权法、PCA法、历史IC值法等进行对比,结果显示:因子合成方法均能在一定程度上提升因子的有效性和稳定性,其中历史IC值法和最大化IC-IR加权法均能大幅度提升因子的各种指标结果。通过最大化IC-IR加权法合成的因子得到的IR值平均为0.34,是提供最好的因子稳定性的合成方法,最差的是等权法,得到的IR值平均为0.12。利用合成的因子在不同算法下进行预测,结果显示:SVM算法预测准确率较低为55.060%;随机森林算法预测准确率为55.317%;深度森林算法在级联森林的每一层中都具有相近的准确率,模型准确率为57.333%。同时对比F1＿score、ROC曲线等指标,能够看出深度森林算法性能优于随机森林、SVM算法。对构建的模型使用2020年至2022年6月的沪深300指数成分股数据进行回测,选取当期上涨概率最高的65只股票买入,进行月度调仓。回测期间,本方案年化收益率为23.1%,阿尔法比率为19.3%,贝塔系数为1.05,夏普比率为0.61,最大回撤33.3%。总的来说,本文构建了一套能够获得稳定超额收益的多因子量化选股方案。