自20世纪80年代以来,在国际金融市场上,衍生于货币、股票、利率、贵金属等传统金融产品,并且以自身杠杆性的信用交易为特征的新型金融交易工具——期货、期权,经历了一个从诞生到迅速发展的过程。金融衍生品以其特有的信用交易以及套期保值等特点逐渐成为了国际金融市场发展的推动力。其中期权因其和其他衍生品不同的特点越来越多地被应用在套期保值、杠杆投机等方面。同时,现有文献中对于股票的横截面收益进行了深入的研究,但对于但对期权收益的决定因素知之甚少。传统的学术研究主要关注期权相对于其标的证券的无套利估值,因为期权仅被视为标的股票中的杠杆头寸。然而,最近的研究认为,期权之所以被交易,是因为它们为投资者提供了价值,而且这些研究表明,Delta对冲期权收益包含超出股权溢价的风险溢价,如果期权对所有投资者来说都是多余的证券,那么期权价格的非零溢价是不合理的。受不完全市场期权定价理论的启发,本文分析了Delta中性对冲后的股票期权的非零溢价,以确定期权横截面收益变化的决定因素。尽管与指数股票期权相比,对单个股票期权的研究要少得多,且目前中国市场上尚未有场内交易的个股期权,但对于具有不同到期期限和在值程度的期权,单个股票期权在股票层面和期权合约层面都提供了更丰富的横截面因子。我们利用美国市场上的股票期权的数据来识别提供有关期权横截面收益变化增量信息的特征因子。随着大量数据在社会快速发展过程中不断产生和积累,现在人们有更多更高维度的数据用于统计和分析工作。金融市场天生具有大数据构建的基础,而传统线性模型在分析时很容易忽视金融大数据内在的潜在信息因子、稀疏性和非线性等数据性质。随着机器学习等人工智能的诞生和高速发展,金融经济文献中最近出现了越来越多基于机器学习的交叉研究。而通过机器学习模型的应用,可以在解决上述问题的同时进一步提升数据信噪比,结合金融理论可以更好的发现庞大数据中的内在联系。本文将会使用经典的机器学习方法和模型,如弹性网、LASSO、岭回归以及主成分分析等。机器学习方法的引入,避免当数据维数过多时,线性模型所容易产生的过拟合,从而导致样本外表现差、模型适应性差的问题。在理论方面,本文使用随机折现因子理论（SDF）进行因子筛选。我们进一步使用Hansen and Jagannathan（1997）提出的随机折现因子方法赋予因子筛选经济含义。结合随机折现因子理论,可以得到基于特征的SDF模型。在研究方法方面,本文使用弹性网方法,弹性网方法结合了LASSO和岭回归方法的特点,不但可以使非显著的回归系数收缩为零,达到稀疏化的目的,而且使得相关性较高的变量,倾向于整组共进退的特点,呈现出群组效应。由于本文研究97个与标的股票相关的特征指标以及6个和期权相关的特征指标对期权组合横截面的影响。这对于高维的、可能存在高度相关的数据是必要的。同时,通过弹性网回归等机器学习方法,可以自动筛选出比较重要的因子,但是这些特征因子之间可能存在较高的相关性,潜在的因子可能是某些特征因子的组合。Kozak（2018）认为不存在近套利机会意味着能够获得风险溢价的因子一定是使得观察到的特征因子“共同移动”的主要来源。主成分分析法通过对特征因子做正交变换,将高度相关的原始特征因子转换成为互不相关的少数综合性的指标,在消除了因子之间的多重共线性的基础上,尽可能的减少原始数据中的信息的损失,起到降低维数的作用。主成分分析法可以充分的利用大量信息,同时又能避免基于特征因子模型不能全面度量股票市场基本面而带来的测度误差。横截面收益率中的因子结构可由少数几个具有最高方差的主成分解释。使用主成分分析的方法,不仅可以很好的描述横截面收益中风险溢价来源,而且通过分析主成分的构成,可以提高模型的可解释能力。在实证部分,本文除了分析基于特征因子的SDF系数,此外还把基于特征因子的SDF系数转换到基于主成分空间的SDF系数。将特征因子转换到主成分空间,并结合弹性网回归等降维方法,可以从大量数据中分析出风险溢价的来源,在保证了模型的稀疏性的同时,也保证了模型的可解释性和金融含义。通过样本外方差Roos~2等指标与现有的资产定价模型做比较,从而分析影响期权横截面收益的特征因子。最后,本文进行了总结。本文使用Delta中性期权组合来研究个股期权的横截面收益受到哪些特征因子的影响。研究结果表明,确实存在Delta中性期权组合横截面收益的稀疏模型。本文研究期权组合横截面收益具有重要意义,它有助于解释为什么存在隐含波动率微笑。在不同行权价格下,隐含波动率不同,我们可以把隐含波动率看作是一种“收纳盒”,它收集了影响期权价格的未知因素。