自套利定价理论（Ross,1976）及Fama-French三因子模型（Fama等,1993）以来,金融学界提出了非常多的因子模型,在这之中有定价因子也有非定价因子。Clarke在最近的研究中开发出一种方法,可以将定价因子与非定价因子隔离开来,从而在股票回报率中寻找到共同的定价因子;如此得到的因子模型在美国股票市场可以比肩甚至超过其他前沿因子模型的表现（Clarke,2022）。中国股市经过30多年的发展,已经成为仅次于美国的全球市值第二大的股市。本文基于Clarke的最新方法,构建沪深A股市场的因子模型,样本区间为2007年7月至2021年12月,数据频率为月度,并剔除了金融行业公司的股票数据。因子模型的构建过程由两步组成。第一步,建立模型预测股票的期望回报。首先根据理论背景、实证文献和市场状况,从公司特征和价格变动出发,筛选计算出多个预测指标;随后将超额回报针对这些预测指标进行Fama-Mac Beth回归,构造了期望回报的预测模型。接下来,我们按照期望回报的拟合值对股票进行排序,从低到高分为25个“异象剖析”（DA）投资组合,成功抓住实际期望回报的差异。第二步,从这25个投资组合的共同变动中提取出数个共同因子。我们对投资组合的时间序列进行主成分分析（PCA）,发现前三个因子在投资组合上的权重（载荷）符合“水平”（Level）、“斜率”（Scope）和“曲线”（Curve）的规律,分别代表买入市场组合、根据公司特征排序构建多空组合、买入中间值卖出极端值这三种投资策略,三者联合解释方差的比例超过97%。如果考虑前五个主成分因子,那么方差被解释的比例将上升到98%以上。因子模型建立之后,我们对其进行了稳定性分析。结果表明,“水平”和“斜率”因子非常稳健,更改投资组合数目产生的新因子与原因子的相关性均高于0.97;“曲线”因子比较稳健,相关性在0.85以上;第四个和第五个因子的稳定性不强,很难和纯粹的噪音区分开来,并不代表股票之间的变动规律。因此本文选择忽略这两个高阶因子,而将前三个因子作为主要研究对象。此外,本文计算了LSC因子与现有文献中的其他几个因子的相关性。其中,市场风险溢价（MF）与“水平”因子有极高的相关性,市值因子（SMB）与“斜率”因子的相关性较高,HML、CMA和MOM与前三个因子都有一定相关性（但不高）,RMW与前两个因子的相关性较大。总体来说,“斜率”和“曲线”因子与现有因子有联系,但是也有所不同。为检验前几个因子解释超额回报的能力,本文还对投资组合进行了时间序列回归。结果显示,代表市场因素的“水平”因子解释了大部分而不是全部的股票超额回报。前三个因子回归的!分别为0.93、0.96和0.97,第四个因子对回归影响不大。最后,为测试LSC因子模型在中国市场上的实际表现,我们将其与FamaFrench三因子和五因子模型进行时间序列检验对比。通过10个DA投资组合的对比,我们发现,LSC因子模型解释期望回报的差距时强于Fama-French因子,解释误差也与Fama-French因子差不多。也就是说,LSC因子模型在中国沪深A股市场上有与Fama-French因子模型相当、甚至在某些领域更优的表现。LSC因子模型的研究意义有以下几点:其一,LSC模型直接在股票回报率的横截面数据中提取了一个或多个风险因子,有利于重新组织因子结构,选取最能抓取股价共同变动的、最重要的风险因子。其二,LSC模型采用与传统方法不同的方式,将预测股票回报与建立因子模型分隔开来,有利于新的非线性模型与因子模型的对接。其三,模型连接了理论和实际,研究者可以根据自己的理论动机在第一步选取适当的预测指标和模型,再使用第二步的实际方法提取最重要的因子并建立因子模型。其四,LSC因子并不围绕某个具体的公司特征实现,公司特征只是预测信号,不会出现某几个特征的地位极其重要的情况。本文的研究意义在于,在LSC模型的基础上,我们通过中国市场的实证检验,发现中国市场仍然遵循同样的“水平、斜率和曲线”规律,模型解释超额回报的能力也与Fama-French因子相当甚至在某些方面更优,这提供了在中国市场构造因子模型的新思路。在后续的因子研究中,如果采用本文提供的新方法,依据某种在中国市场独特存在的异象,将公司特征、动量、流动性指标或者任何理论或实证支持的数据作为预测信号,再通过主成分分析提取出最重要的因子,那么可能会得出更高层次、更加触及本质的结论。