由于我国股票指数、股指期货市场的快速发展,利用股指期货与其标的物股指的相关性进行套利的机会越来越多,也是最近我国证券市场量化领域研究的热点和重点。目前出现了很多利用期指和其标的成分股套利的方法,并在市场实盘中取得了十分可观的成绩。股票指数是反映市场整体特征的指标,是通过一定数量的股票进行合成,属于高维数据,在利用其成分股与股指期货进行套利时,传统的回归模型在实际操作上具有很多的劣势,而通过变量选择模型去筛选指数成分股股票合成一个与期指走势具有很好相关性但成分股更少的新指数,不仅能减少持有的股指成分股数量,降低交易中滑价成本,避免统计学中的维数灾难问题,同时在股票期货市场的实际交易操作中也更加的方便：由于实际中的数据存在着一定的测量误差,造成统计模型中的数据与真实数据并非完全等价,如果忽视这一因素,估计出的参数会出现有偏,不相合等问题。为更有效解决金融量化领域中的实际问题,本文引入EV模型(Errors in variables),并结合粒子群(PSO)变量选择算法进行参数的估计。考虑到传统线性模型中Lasso、Adaptive Lasso变量选择方法具有良好的表现,本文模型分别结合了Lasso、Adaptive Lasso模型的惩罚函数估计参数。通过数值模拟分析该模型参数估计的效果,并与不考虑测量误差估计模型的效果进行对比。最后利用上证50、沪深300股指期货与其成分股数据进行实证分析,将EV模型的粒子群变量选择算法效果与不考虑观测值测量误差变量选择方法效果进行比较与分析,说明本文提出模型的有效性。该算法不但解决了传统变量选择方法在自变量带约束条件下EV模型不再适用的问题,更具有实际应用的价值,同时在变量选择过程中具有精度高、收敛快的特点。