在经济、金融、生物、医药和其他科学领域中,研究者经常要面临大数据集,因子模型由于能够有效地从大数据集中提炼信息,因此被理论研究者和实证研究者所青睐。近些年来,大量大规模高维度数据下的因子个数选择问题是统计与计量领域研究的热点与难点,基本上每年都有发表在顶级杂志的相关文献对因子个数的选择方法进行介绍、优化或创新。本文通过Monte Carlo模拟实验,比较研究了七种较为新颖和主流的近似因子模型因子个数选择方法,并且基于之前的方法,本文提出了两种新的近似因子模型因子个数的选择方法。一种是通过修正GR和TCR方法以综合两种估计方法的优点来确定近似因子模型中公共因子个数的方法,将其命名为混合比率,简称MR。另一种是通过改进Wu(2018)提出的ED方法中的压缩函数而提出一种扩展的特征值差分检验方法以确定近似因子模型中公共因子的个数,简称EED。通过对以上方法的模拟比较,结果表明,新的方法在真实地选择潜在公共因子个数上具有理想的性能,尤其是方法MR在弱因子存在时具有较好的估计效果,方法EED在主导因子存在时比其他方法有更好的估计性能。最后,以标普500的341支股票1916个连续交易日的对数收益率数据序列构建平衡面板数据集,使用不同因子个数选择方法对其进行因子个数的提取,最终确定基于实证数据的近似因子模型的公共因子个数为2。