随着机器学习算法的快速发展,其在资产定价领域的应用也逐渐增多。基于自编码器（Autoencoder）算法的潜在因子模型在美国股市的实证中拥有十分良好的表现,其定价误差显著低于主流的多因子模型。本文对Autoencoder潜在因子模型在中国市场的适用性进行了检验。本文对资产定价领域的文献与理论进行了较为全面的总结,结合实证研究全面地探讨了资产定价的相关方法,选择最为主流的Fama-French五因子模型作为基准,与Autoencoder潜在因子模型进行全面系统地比较。本文选取2003年7月初到2021年6月底的个股月收益率数据进行实证研究,针对国内资本市场的特殊情况,从样本池中剔除总市值排名末尾30%的小市值股票和ST股票,从而避免壳价值对定价机制造成扭曲。同时,使用更适合A股市场的盈利市价比（EP）代替账面市值比（BM）计算价值因子收益率。在构建潜在因子模型时,首先使用Autoencoder算法对33个公司特征值降维得到因子载荷β,然后通过截面回归的方法计算因子收益率。在对各模型因子的描述性统计中,潜在因子模型中有四个因子的收益率均值显著不为零,另一个因子则无法拒绝收益率均值为零的原假设。Fama-French五因子均表现出较强的显著性,其中投资因子收益率的均值显著小于零,与美国股市的实证结果存在差异,这种现象的产生主要是受到中美投资理念差异的影响。为系统比较两个资产定价模型解释能力的强弱,本文使用公司规模（Size）与其他32个特征指标进行交叉分组得到了共800个用于模型检验的资产组合。结果表明:在全样本区间中Autoencoder潜在因子模型的表现全面优于Fama-French五因子模型,在所有指标下潜在因子模型都能获得更小的定价误差。为探究各模型在股权分置改革前后解释能力的变化,本文以2007年6月底为节点,将全样本划分为股改前后两个区间,对各模型在股改前后的适用性进行检验。结果表明:股改前Fama-French五因子模型的解释能力更强,但在股改后潜在因子模型的表现具有绝对优势。两个模型的解释能力在股改后都有大幅提高,资本市场整体的定价机制更加趋于有效。本文的研究结果为机器学习算法在资产定价中的应用提供了新的经验证据,这对辅助投资实践以及提供监管依据都有重要的意义。