随着金融市场的不断扩大和股票市场的有效信息持续披露,能够带来稳定的高于市场收益的投资收益的量化投资理论进入到人们的视线,并广受投资者的关注。当今在股票交易市场里频繁使用到的量化投资模型当中,最受投资者、券商和学者关注的便是多因子选股模型。多因子模型结合运用CAPM和APT两大金融投资理论,即资本资产定价和套利定价理论。该模型主要通过筛选出用于解释股票收益率的有效因子,进而实现投资组合的构建。通过主动的选股持股进行投资组合,完成对超额收益的获取目标。在统计理论、机器学习迅猛发展之下,多因子选股开始对一系列计算机算法加以运用,从而不断更新多因子选股策略。在数据研究工作中,流数据的数据量大、更新速度快、历史数据占用较大内存给研究带来巨大的困难,而可更新估计能够有效解决流数据建模的及时性问题。股票数据的更新速度也比较快,采用可更新估计分析股票数据是比较有意义的事情。同时在多因子选股研究中,较多学者采用逐步回归法或者加入Lasso惩罚项的办法进行因子筛选,加入Lasso惩罚项的方法在实践中易导致估计有偏以及采用逐步回归法的方法较为冗杂,而具有渐近无偏估计性质的SCAD惩罚函数可更有效快速的进行变量选择,将其运用到量化选股中值得探究。值得注意的是,虽然已有较多学者者对多因子模型优化进行研究,例如增加神经网络、逻辑森林以及添加Lasso惩罚项等,但多数的工作量较大且无法有效利用后续更新的数据信息。由于经典的OLS选股、基于Lasso选股模型和基于XGBoost模型等改进模型固定训练集,而基于可更新变量选择方法（记为“SCAD更新”）的多因子选股模型可储存部分摘要统计量,保留有效信息减少内存的同时根据该模型的特点可滚动式的更新训练集。因此本文考虑将结合变量选择的可更新估计进行多因子选股研究。本文研究对象是沪深300成分股,先后采用OLS多因子选股模型、基于Lasso选股模型和基于可更新变量选择（SCAD更新）的多因子选股模型进行选股实证研究。前者运用中,将Fama-Macbeth检验和相关性检验应用于筛选因子阶段,通过前向回归方法对冗余因子进行剔除,得到相关的有效因子,并就此建立OLS选股模型。在建立基于可更新变量选择的多因子模型时,通过批次数据的更新带来参数估计和参数选取的更新来构建选股模型。在实证回测阶段,股票收益预测中对三种模型均进行了运用,基于预测收益率情况,从中筛选出15名股票,然后完成投资组合构建。在动态组合持股33期后,对五种模型相应的表现加以比较。由此发现:（1）就沪深300基准相对而言,这五种模型带来的收益都较为客观,进而看到国内股票市场中这五种模型的可行性以及有效性;（2）从综合表现方面分析,收益上相比于基于可更新变量选择选股模型而言,Lasso选股、多元回归模型、SCAD选股和XGBoost选股较低,同时基于可更新变量选择选股模型的风险组合较低,选股模型更加稳健,胜率更高。