近年来,随着大量股票横截面异象因子被提出,如何从复杂、高维的数据中提取真正有效的因子成为学者们研究的热点。然而国内关于股票横截面收益的研究大多局限于对单个或少数几个因子进行检验,缺乏对A股市场异象的系统研究。在此背景下,本文从高维数据的角度出发,以市场贝塔、规模、估值、盈利能力、会计质量、投资水平、动量与反转、流动性、特质波动率以及偏度10类异象、共62个指标为研究对象,选取2007年6月至2018年12月为样本区间,通过单因子分析、模型选择以及策略回测等方式对A股市场横截面收益进行系统、全面的研究。本文利用二次样条函数构建非参数Group LASSO模型,该模型不作线性假设,能够从大量特征数据中筛选出提供增量信息的因子,从而更好地对股票收益率进行预测。本文利用该模型从62个异象指标中筛选出34个特征因子,并根据其估计的收益率构建策略,实现了远高于沪深300指数的年化收益,较线性LASSO模型而言也有更高的样本外年化收益与夏普比率。综合单因子分析、不同方法下的模型选择结果,本文发现A股市场存在显著的盈利能力、价值效应、投资水平等会计异象、在短、中、长期存在反转效应、存在明显的中、短期流动性溢价以及特质波动率异象。此外,通过不同样本对比,本文发现在剔除市值后30%的股票后,多数异象出现了减弱现象,策略收益也出现明显的下降,小市值样本中可能存在其他未被定价的因素。