摘要:构建优胜劣汰的高质量资本市场是金融服务实体经济的关键.本文使用90多个财务特征指标等高维大数据和多种机器学习与计量方法提取基本面信息，对上市公司质量进行评价并构建基本面质量综合指数，研究基本面质量与股价表现的关联关系.研究发现，上市公司基本面质量对股价表现具有显著为正的预测能力.其中，由偏最小二乘法构建的基本面质量指数对股票横截面收益的预测能力最强，年化收益近38%,且CAPM、三因子和五因子模型对此不能解释.本文还从行为金融和经济周期等视角探索公司基本面质量对股票价格的影响机制，发现市场情绪、有限套利、公司投资等决策和经济周期都有助于理解上市公司质量溢价现象.本文研究表明，我国股票市场定价效率已稳步提高，进入了“优胜劣汰”和价值投资阶段.

摘要:本研究在中国股票市场上，使用自编码机器学习方法和包含近百个公司特征变量的金融大数据，对资产价格进行解释和预测，并对自编码因子进行全面的宏观经济分析.研究发现，自编码因子能够从包含公司特征的大量信息中提取到有效的收益预测信号，并在横截面上获得显著的超额收益.在对因子重要度的研究中，研究发现我国股票市场异象具有时变特征.此外，研究从宏观经济状态和经济政策两个角度分析表明，基于自编码的投资模型的有效性与宏观经济息息相关，它能够在市场泡沫成分较大和投机气氛较浓的情况下成功对冲市场风险，且能捕捉到由财政政策和货币政策所导致的市场环境的变化.

摘要:我国股票市场存在高风险股票反而伴随较低收益的低风险定价异象，这有悖于传统资产定价理论．本文使用宏观经济和微观企业特征构建了六百多个变量的宏微观混合大数据集，并结合多种经典机器学习算法开发了基于大数据和机器学习的智能动态ＣＡＰＭ模型，检验了时变系统性风险对我国股市收益解释能力．实证结果表明：本文的智能动态ＣＡＰＭ定价模型能够显著解释我国股市低风险定价异象；随机森林等非线性机器学习算法表现最佳；影响股票时变系统风险的主要因素是市场类因子，基本面因子居次．本文对于我国股市系统性风险测度、动态资产定价模型构建和金融与大数据和人工智能融合创新有重要理论与实践指导意义．