基于XGBoost的机器学习因子在A股多因子模型中的表现.docxVIP

基于XGBoost的机器学习因子在A股多因子模型中的表现

一、A股多因子模型的发展脉络与传统因子的局限性

（一）A股多因子模型的演化历程

多因子模型作为量化投资领域的核心工具，其本质是通过挖掘影响股票收益的多个维度因子，构建收益预测模型以获取稳定超额收益。在A股市场，多因子模型的发展大致经历了三个阶段：早期的模仿借鉴阶段、中期的本土化适配阶段和当前的智能化升级阶段。

在模仿借鉴阶段，国内量化机构主要参考成熟市场的经典多因子框架，比如Fama-French三因子模型，将价值、规模、市场β作为核心因子，试图复制成熟市场的量化收益逻辑。但很快研究者发现，A股市场的投资者结构、交易制度与成熟市场存在显著差异，照搬成熟市场模型难以取得理想效果。进入本土化适配阶段，国内机构开始加入具有本土特色的因子，比如流动性因子、换手率因子、散户情绪因子等，以适应A股高换手率、散户占比高的市场特征（国泰君安证券研究所，某年）。随着市场有效性逐步提升，传统单一因子的超额收益持续收窄，多因子模型开始向智能化方向发展，机器学习因子逐渐成为模型增强的核心手段。

（二）传统多因子模型的核心局限

尽管传统多因子模型在A股市场取得过阶段性成功，但随着市场环境变化，其局限性日益凸显。首先是线性假设的束缚，传统多因子模型大多基于线性回归框架，假设因子与股票收益之间存在线性关系，但A股市场中存在大量非线性定价现象，比如小盘股的