因子投资中，机器学习通过特征选择和降维技术，从数百个候选因子中自动识别出对资产收益预测最有效的少数几个关键特征，避免人为筛选的主观性和过拟合风险。核心方法包括套索回归（Lasso） 和主成分分析（PCA），前者通过惩罚项压缩冗余因子，后者通过线性变换提取综合因子。
套索回归：自动压缩无关因子
套索回归在普通线性回归基础上加入 L1 惩罚项，迫使不重要的特征系数直接变为零，从而实现自动筛选。比如面对 50 个候选因子，套索回归最终可能只保留 5-8 个非零系数的因子，其余全部剔除。惩罚强度由超参数 λ 控制：λ 越大，保留的因子越少；λ 越小，保留的因子越多。实际应用中通常通过交叉验证选择最优 λ，确保模型在训练集和测试集上表现平衡。这种方法特别适合因子数量远多于观测值（如高频数据）的场景，但需注意套索回归对高度相关的因子群（如多只同行业股票的技术指标）会随机只保留其中一个，此时可结合弹性网络（Elastic Net） 使用。
主成分分析：无监督降维
主成分分析不依赖目标变量（如未来收益率），而是通过线性变换将原始因子转换为少数几个不相关的主成分，每个主成分是原始因子的加权组合。例如，从 30 个相关性较高的价值因子（市盈率、市净率等）中提取前 3 个主成分，就能解释 85% 以上的原始方差。投资者可以用主成分得分替代原始因子，减少模型输入维度，同时避免多重共线性问题。但主成分的缺点是可解释性下降——新特征没有直接的金融含义，需要结合因子载荷矩阵分析哪些原始因子贡献最大。对于追求可解释性的场景，可优先选择套索回归。
总结
机器学习筛选因子的核心逻辑是：套索回归适合有明确预测目标且需要可解释性的场景；主成分分析适合无监督降维且容忍黑箱特征的场景。实际应用中，多数量化机构会组合使用：先用 PCA 降维到 10-20 个主成分，再用套索回归从中挑选对收益预测最有效的 3-5 个特征。投资者在实践时，建议先用历史数据回测不同 λ 和主成分数量下的模型表现，并关注因子之间的相关性结构（如动量因子与反转因子往往负相关），避免误选高度冗余的特征。
常见问题
套索回归的 λ 值如何选择？
通常使用 K 折交叉验证（如 5 折）选择使验证集均方误差最小的 λ。实践中可先尝试 λ=0.01、0.1、1 等数量级，再根据因子保留数量微调。以最新数据为准，主流开源库（如 scikit-learn）会自动计算 λ 路径。
主成分分析中主成分数量如何确定？
一般选择累计方差解释率超过 80%-90% 的前 K 个主成分。也可通过碎石图观察特征值下降的拐点，拐点之后的主成分通常贡献较小。对于因子投资，保留 3-5 个主成分在多数情况下已足够。
套索回归和主成分分析可以同时使用吗？
可以，且常见。先使用 PCA 将高维因子压缩为少数主成分，再对主成分施加套索回归，能进一步提升模型的稳定性和预测精度。但需注意，PCA 会破坏原始因子的可解释性，适合偏重预测效果而非因子逻辑的场景。