Sharpe等学者在1964年提出资本资产定价模型（CAPM）来解释单个资产收益与市场组合收益的关系,Ross于1976年提出套利定价理论（APT）将资产价格的影响因素从单个推广到多个,在这之后有大量学者对资产定价进行理论和实证研究。在关于股票横截面收益预测的研究中,可以预测股市横截面收益且不能被既有因子定价模型~1所解释的因子被称为异象因子（Anomaly）。同时,为了解释这些异象,各国学者们在不断改进与构建新的因子定价模型,比较著名的因子模型有Fama＆French（1992,2015）的三因子与五因子模型、Carhart（1997）的四因子模型、Hou et al.（2015）的Q因子模型和Liu et al.（2019）针对中国市场提出的三因子模型。市场异象方面,美国金融学年会主席Cochrane（2011）指出,学术界自1970年以来累计提出了上百个可以预测股票横截收益的因子~2,已经可以组成一个“因子动物园（Factor Zoo）”。“因子动物园”中的定价因子和定价模型在中国市场表现如何,这些因子的收益来源又是怎样?研究这些问题对于认识价格形成机制、度量市场有效性与股票收益预测等均有重要意义。本文使用2004年4月至2020年4月中国股票主板市场数据,对中国股票市场定价因子的有效性进行研究,从因子模型有效性与异象存在性、因子收益与财务信息发布、因子收益与散户投资者关注和机器学习方法在股票横截面收益预测中的应用四个角度,对因子有效性、因子有效的原因与因子研究的实际价值进行讨论。首先,本文第三章参考Harvey et al.（2015）和Green et al.（2017）的研究,构建了数百个定价因子,从上百个因子中选取了有代表性的40个定价因子（异象因子）,对常见的多因子定价模型和这些定价因子的有效性进行详细分析。其中因子定价模型主要包括Fama French三因子模型、Fama French五因子模型、Q因子模型（Hou et al.2015）和CN4因子模型（Liu et al.2019）。本文结果显示,在单因子Fama-Mac Beth回归中,有近一半异象因子的t值大于3.0,在使用市值加权的最小二乘回归（WLS）中,仍然有5个因子的t值大于3.0。在考虑定价模型后的Fama-Mac Beth回归中,除了动量、前一月隔夜收益、股票价格、上市时间长度和产权比例外,本文所构建的其他的价格成交量、估值等指标均十分显著。将所有因子放在一起后使用市值加权最小二乘回归（WLS）后,40个因子中有只6个显著,分别是上月最高价,近12月最大日收益,前一月特质波动率、前一月日度换手率标准差、现金资产比和流通市值。本文结果显示,在Fama-Mac Beth回归中,本文所考察的定价模型均不能较好解释市场异象。在使用多空组合法进行回归检验时,Liu et al.（2019）提出的中国版四因子模型（CN4）对异象的解释能力最好,其次是Fama French五因子模型,再次是Q因子模型,最差的是Fama French三因子模型。为了理解异象收益的来源,本文第四章和第五章分别从财务信息发布和散户投资者关注两个角度研究因子的有效性。Engelberg et al.（2018）和Bowles et al.（2020）等学者研究发现财务异象收益与财务信息发布有关,本文第四章使用量价、财务和估值三大类30个常见的异象因子,研究财务信息发布与异象收益的关系。首先,本章对不同更新频率下的财务估值因子有效性进行研究,结果显示在提高数据更新频率后,绝大多数因子收益均有明显提高,这些结果与Asness＆Frazzini（2013）的结论一致。之后,本章使用截面回归法和多空组合检验法对因子收益和信息发布相关的时变特征进行分析,结果均显示盈利类（如权益收益率）、成长类（如净利润变化）与盈利相关的估值因子（如盈市率）存在与财务信息发布相关的时变特征,表现为独特的月度效应。在财务信息发布后次月（5月、9月与11月）,盈利成长类因子收益显著为负或不显著,这些因子收益主要存在于信息发布后的第二个月。统计结果显示,信息发布后第二个月的收益要明显高于其他月份,而通过价格与成交量计算的异象并没有发现类似的时变特征,特质波动率、成交量波动等异象收益在各月均显著为负,其异象收益的持续性往往也只有1个月。此外,表示盈利增长类的异象在信息发布月表现与其他月份也存在一定的差异,具体表现为异象收益不显著或显著为负。进一步研究发现,在5月1日和11月1日后,盈利、增长因子收益变化与一个月反转因子有共同趋势,这些结果显示异象收益的波动与价格过度反应有关。在信息发布时,市场对盈利或亏损信息存在过度反应,价格往往出现大幅变动,表现为连续涨停或跌停,在随后几个月中价格存在周期性波动,从而导致异象收益S形变化,随后逐渐减弱直到平稳或下次新信息发布。本文结果与Hong＆Stein（1999）提出的过度反应和反应不足理论相一致,这表明财务类意象收益来源多为市场的错误定价,即使是在所有公司财务信息披露后,股价也无法快速达到长期均衡价格。除了信息对股票市场的影响外,Da et al.（2011）、俞庆进和张兵（2012）、宋双杰等（2011）学者的研究均显示投资者关注会对股票价格产生影响,分析散户行为尤其是投资者关注和异象的关系可以帮助我们分析异象的收益来源。第五章使用2010至2019年东方财富股吧散户发帖量数据构建散户关注度和关注度变化指标,采用Fama-Mac Beth回归法和分组分析法研究了投资者关注与股票市场横截面异象的关系。结果显示除了收益偏度、特质波动、换手率波动和成交量波动外,其他量价类异象在Fama-Mac Beth回归中部分能被投资者关注和异常关注解释。在控制关注变量后,特质波动显著性有明显降低,换手率波动和成交量波动则能吸收散户关注和散户异常关注的显著性。财务估值类异象和分析师覆盖则不受关注类指标影响。从行为金融角度来看,投资者关注具有稀缺性,散户的信息处理能力远不如专业投资者,散户的过度关注往往增加价格中的噪声,降低市场有效性。因此,比较不同关注分组中异象收益表现有助于我们理解异象的收益来源。随后,本章对异象收益的异质性进行分析,检验不同关注度分组间异象收益是否存在显著差异。在显著的量价类异象中,除了收益偏度和流动性外,其他异象均有较为明显的异质性,具体表现为高关注组合中的异象收益更高。而在财务估值类异象中的异质性较为复杂,部分指标如现金资产比、速动比率变化率、营业收入增长在关注或异常关注的异质性并不明显,而对于度量企业盈利能力的指标如ROE或ROA等,则存在明显的关于异常关注的异质性,分析师覆盖等指标则没有明显的异质性。这些结果与第四章的结果相一致,说明部分财务类异象可能源于错误定价。研究市场定价因子除了有助于理解股票市场运行外,还可以发现市场的错误定价,市场参与者可以通过交易消除错误定价,在赚取收益的同时提高市场的有效性,这对于监管者和投资者均具有重要意义。近年来,随着大数据方法的流行,如何将大数据技术应用于金融市场也是研究的热点问题之一,本文在这方面也做出了一定尝试。第六章使用了滚动Fama-Mac Beth回归、滚动线性回归、弹性网络回归、偏最小二乘回归、随机森林和梯度提升树回归共六种收益预测方法对股票横截面收益进行预测,结果显示无论哪种方法均具有较强的收益预测能力。与既有研究不同,本文中Fama-Mac Beth回归方法在多空组合收益方面表现最好,这可能与本Fama-Mac Beth回归能较好地处理不同横截面间的异方差有关。在其他方法中,随机森林对多空组合收益预测的结果要优于其他4种结果。在多头收益预测方面,OLS表现较好,随机森林方法和滚动截面Fama-Mac Beth回归方法次之,但整体上来看差异不大。此外,对预测组合收益进行分析发现,近年来收益预测的效果有明显下降,这可能与机器学习算法普及与套利交易者增加有关。本文的研究成果为金融科技提高市场定价效率,增强市场有效性提供了证据。在特征重要程度方面,量价类特征在随机森林模型中具有较高的权重。在收益月度效应方面,使用机器学习预测的组合收益对信息发布月变量回归的结果显示,模型预测的收益存在一定的时变性,但显著性较弱,这是由于机器学习模型多利用市场量价信息,利用财务信息较少。财务类异象具有一定的时变性,因此财务类因子的预测稳定性低于量价类指标,在收益预测区间中的权重也相对较低。同时,因子收益的时变性对机器学习预测股票收益是一个挑战,如何将财务类异象的时变特征融入机器学习还有待进一步研究。