异象因子的研究由来已久,但已有研究发现现有的许多因子是数据挖掘的结果。同时,也有研究者发现不同市场的因子具有不同的预测效力。那么探寻哪些因子在A股市场具有更强的解释力度和收益预测能力已然成为一个值得研究的课题。传统的资产定价方法如Fama-Macbeth回归以及多空组合收益t检验在筛选因子上只能从单因子角度挑选回归系数显著的因子。传统的统计学筛选方法则存在着容易“过拟合”和计算代价大的问题。这些传统方法的缺陷都阻碍着研究者们探索与市场联系紧密的有效因子组合的步伐。近年来随着机器学习的再度兴起,研究者们也越来越多的采用机器学习解决金融问题。运用机器学习方法进行筛选似乎是个不错的选择。但如果单纯应用机器学习进行筛选,不对数据做处理,那么筛选的结果则很容易由于输入数据质量较低而产生偏差。组合预测方法由于其两步结构天然存在了数据处理和平衡极端值的优点,与机器学习筛选算法具有很好的相性。因此,本文结合这两种方法,基于组合预测进行机器学习方法筛选A股市场有效的异象因子或异象因子组合,并同传统方法筛选结果对比。实证结果发现,基于组合预测的机器学习筛选算法所筛选出来的因子多是动量因子和交易摩擦因子而传统方法筛选出的因子多是盈利性因子和成长因子。且在不同权重情况下,新方法筛选的因子同传统方法相比更为稳定。为了考察因子间非线性关系对筛选结果的影响,本文在原有因子的基础上添加了交互项。实证结果发现因子间确实存在非线性关系,但对新方法的筛选并没有太大影响。后续的FM检验发现基于组合预测的机器学习筛选算法筛选出的因子组合的FM检验系数值较传统方法更显著,说明这些因子对比传统的组合预测方法对未来收益预测具有更高的准确性;投资组合绩效分析则进一步表明基于新方法筛选出的因子能够带来超额收益;预测包含检验结果则表明新的筛选方法较传统方法提取了更多的信息,正面解释了新的筛选方法能够更好地筛选出契合A股市场因子组合的原因。