随着金融市场的不断发展和完善,对证券资产的价格进行量化评估的相关理论愈发重要。而在当下,随着国内外经济环境的日益复杂化,传统的资本定价模型对证券资产定价的解释程度越来越有限,因此需要考虑可以处理高维数据和其他更为复杂情形的高维因子模型并将其应用于资产定价中。资本定价模型需要寻找对收益率具有强解释力的因子集合,从而提升模型的解释性以及预测的精度,而Lasso能够通过压缩高维变量的方法得到较为精炼、有效的模型。但是传统的金融理论认为,资产定价过程中的潜在风险信息蕴含在因子和收益率的协方差之中,不可观测;因高相关性被忽略的因子正是潜在风险的良好代理,而标准Lasso模型往往会压缩掉这部分高相关性的因子。这部分潜在风险信息可能会对资产产生较大影响,从而造成资产定价不够准确。因此,本文参考了基于经典的BJS两步回归方法在传统Lasso上进行了改进的双选择Lasso模型的思想,双选择Lasso模型能够考虑到标准Lasso可能忽略掉的潜在风险因子信息,从而降低资产的风险。同时本文基于双选择Lasso模型选出因子之间相关性较强且数量较多的特点,提出在双选择Lasso模型选出因子后对因子进行主成分分析,以达到降低因子数量和因子间相关性的目的。本文对比了双选择Lasso结合主成分分析法和主成分分析法的解释效果,还对比了 OLS回归模型和SVR回归模型在股票收益率上的预测能力,说明了考虑高维数据中的非线性关系,有利于提升主成分因子对资产收益率的预测效果。