随着我国资本市场不断对外开放和人民理财意识的觉醒,越来越多的国内投资者开始关注量化投资这种广泛应用于西方市场的投资方法。多因子选股是量化投资最主要的方法之一,投资者通过研究金融市场,挖掘与股票收益有关的因子,构建投资模型选出预计表现较好的股票,以求获取超越基准的收益。传统多因子选股往往是对股票池中所有的股票统一评价,忽略了因子在不同风格股票池中的适用性,同时个股的基本面千差万别且不断变化,一刀切式的评价股票也不利于准确捕捉到个股的特点。为解决这一问题,Sorensen,Hua和Qian另辟蹊径,没有从因子选取的角度,而是从股票分类的角度,提出了动态情景理论,将股票依据基本面、技术面等信息划分到不同的情景,在不同情景中相同因子对收益预测的重要性不同。这种方法能够更好地描述股票的特点,从而选出大概率超越基准的股票,本文参考动态情景理论的思路进一步设计出了多因子选股模型。本文站在基金公司的角度,根据样本期间内我国A股行情走势不同,对2016年1月至2019年12月的股票收益率和因子值分别进行研究。首先将我国A股全市场可交易股票的相关因子按照质量类、收益和风险类、价值类、情绪类、技术指标类、成长类等指标进行了划分,将个股归类为“高”情景或“低”情景,再在不同的情景中寻找有效的Alpha因子,每个情景中Alpha因子的重要性不同,且因子的权重每月会根据之前月的表现进行调整。通过多轮筛选得到了5个情景划分因子和8个Alpha因子,以沪深300成分股为对象,依托优矿平台建立了基于动态情景模型的多因子量化选股策略,使用2020年1月至2021年1月的数据进行回测。通过计算模型中股票的得分排名选股,并根据该证券组合的实际投资回报和信息比率等指标对模型的适应性进行检验。此外,本文还对比了多因子等权模型和动态情景多因子模型,进一步验证了策略的可行性和有效性。研究表明,动态情景多因子量化选股模型得到的股票组合可以大概率跑赢市场,在风险可控的前提下取得较高的收益。