该研究利用机器学习技术分析了美国股市153个多空因子组合的横截面收益可预测性，发现因子动量是驱动收益预测性的关键因素。通过242个因子特征（包括历史收益、风险和价值差）构建预测模型，研究发现预期收益最高的十分位因子组合每月可超越最低组合1.39%，但这一预测性随时间逐渐减弱。惩罚回归（如LASSO和弹性网络）表现最佳，预测R²达0.6%，而复杂模型（如神经网络）未能显著提升预测效果。因子动量不仅主导了变量重要性排名，还解释了机器学习策略的全部超额收益，控制后其alpha不再显著。研究证实了因子收益的强横截面可预测性，但强调其经济价值主要源于因子动量效应，为量化投资中的动态因子配置提供了实证依据。

欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai