En la era de los datos, la minería de información de activos financieros y la selección de activos apropiados son cruciales para retornos estables y control de riesgos. Los modelos cuantitativos multifactoriales son un método común para la selección de acciones en activos financieros, por lo que es importante seleccionar el conjunto óptimo de factores. Elastic Net, que combina los beneficios de los términos de penalización L1 y L2, tiene un mejor desempeño en la filtración de características debido a la complejidad de las características en conjuntos de datos de alta dimensión que Lasso y Ridge regression. Al mismo tiempo, la tasa de descubrimiento falso (FDR), que es importante para tomar decisiones de inversión confiables, no es tenida en cuenta por las metodologías actuales de selección de factores. Por lo tanto, este documento construye la regresión logística Knockoff Elastic Net (KF-LR-Elastic Net): combinando la regresión logística con Elastic Net y utilizando Knockoff para controlar el FDR de la selección de variables para lograr la selección de factores. Basándose en los factores seleccionados, se predicen los retornos de las acciones bajo la regresión logística. El modelo general se denota como Regresión logística Knockoff Elastic Net-Regresión logística (KL-LREN-LR). El estudio empírico se lleva a cabo con datos sobre los constituyentes del índice CSI 300 en el mercado chino de 2016 a 2022. Se utiliza KF-LREN-LR para la selección de factores y la predicción de retornos de acciones para seleccionar las 10 mejores acciones y establecer una estrategia de inversión para cambios de posición diarios. Según la evidencia empírica, KF-LR-Elastic Net puede seleccionar factores útiles y controlar el FDR, lo cual es útil para aumentar la precisión de la selección de factores. La cartera de pronóstico KF-LREN-LR tiene las ventajas de un alto retorno y un riesgo controlado, por lo que es informativa para optimizar la asignación de activos.