我院姜富伟教授和博士生薛浩、21届本科生周明合作撰写的论文《大数据提升了多因子模型定价能力吗？——基于机器学习方法对我国A股市场的探究》近日被国内权威期刊《系统工程理论与实践》接收录用。

随着大数据时代的到来，金融数据的可得性增强，资产定价分析方法也迅速发展，而传统的多因子定价模型已经不能够满足对复杂多变的股票市场的解释和预测。如何充分利用公司财务基本面的高维信息，构建具有较强可解释性和预测能力的多因子定价模型，成为资产定价领域的热点问题。而随着我国股市在全球金融市场中的地位不断提高，如何在大数据时代充分理解我国资本市场的定价问题，具有重要的理论和实践意义。

本文聚焦于我国A股资本市场，基于随机折现因子理论，充分考虑到多因子定价模型的经济学和金融学意义，通过惩罚线性回归和主成分分析等简单且经济可解读性强的机器学习方法，拆解了机器学习方法的“黑箱性”，基于数据降维视角尝试提取我国A股市场中少数具有较强预测能力定价因子，据此构建体现高维数据信息和模型简约性的多因子资产定价模型，并比较了各类异象因子在我国A股市场资产定价模型中的作用，明确了超额收益来源，为学术研究和投资实践提供了参考。

本文发现：我国A股市场中，主成分作为定价因子的表现要优于特征因子；在缩减定价因子个数方面，弹性网络方法的表现要略优于LASSO方法。比较各类特征因子的定价预测能力，惯性类、交易摩擦类以及估值与成长类因子的贡献较大，说明虽然我国资本市场不够完善，市场参与者交易习惯有待提高，但是市场也向着在不断完善且有效的方向发展。

本文的研究对于大数据时代下我国A股的资产定价研究具有启示意义。第一，本文利用大数据和机器学习方法构建了适合我国A股市场的多因子定价模型，该简约模型相较于主流的多因子模型，能够提取更多关于公司基本面的信息，解释更多的风险溢价来源，且具有更好在资产定价能力。第二，本文明确了各个定价因子在多因子模型中的贡献，有助于理解我国资本市场特点，为充分认识我国市场的特点提供了新的视角。第三，将惩罚线性回归和主成分分析等机器学习方法引入到资产定价模型的构建，同时注意模型的简约性和可解读性，为解决高维财务基本面数据问题提供了适用于我国资本市场的方法。