本文主要是研究如何将传统多因子模型和机器学习算法结合在一起,构建基于SVM算法的多因子选股模型。通过该模型,从沪深300成份股中选取具有投资价值的股票构建投资组合,以期能够获得稳健的超额收益。这既丰富了多因子选股模型的构建方法,同时也为其他一些方法的引进提供很好的思路和借鉴。本文选取沪深300成份股2010-01至2016-12每月最后一个交易日的因子截面数据作为数据样本,其中2010-01至2012-12数据作为模型参数训练样本,2013-01至2016-12数据作为样本外回测,模型构建流程主要分为数据预处理、因子有效性检验、模型参数优化、模型构建与结果分析、模型拓展与优化五个部分。本文构建的选股模型在2013-2016年4年间累计收益率为85.37%,年化收益率达到20.54%,远远超出同期对比基准(沪深300指数)的业绩表现,通过分位组比较分析可以发现,模型业绩随着分位组变化具有显著的递减趋势,说明本文的模型对股票分类的效果明显,能够有效区分强势股和弱势股。将模型与离线学习模型进行对比分析,可以发现超额累计收益率走势相差较大,证明本文模型通过在线学习可以更好地对股票进行分类,能够不断适应市场环境的变化。另外在模型的拓展与优化方面,为了保证因子的时效性,在原模型基础上建立因子轮动分析模型,以及依据预测概率来进行股票组合权重的设置,都能一定程度上改进模型效果。