基本面分析在证券投资领域有着非常重要的作用,同时量化投资的发展也为证券投资的研究提供了很多新的视角。使用基本面数据构造因子来进行量化研究是一种将二者结合起来的研究方法。然而,在实证检验中许多基本面因子的表现不佳。本文针对该现象进行了深入的研究。本文认为大多数基本面因子实证检验结果欠佳的原因主要在于其因子构造过程中对信息的使用不充分。现有的基本面因子在构造过程中通常仅使用最新的基本面数据,而忽略了其历史数据的价值。同时,现有的研究方法注重于对单一基本面变量的检验,而在不同的基本面变量之间可能存在着协同作用。本文从以上两个角度对基本面因子的构造方法进行了改进并在A股市场进行了实证检验。首先,本文选取了四个基本面因子:净资产收益率、净营运指数、每股息税折旧及摊销前利润、流动资产周转率。接下来,本文采用横截面回归的方法对四个原始基本面因子进行了改进。有效性检验结果显示,改进后的基本面因子相比于原始基本面因子的有效性有了显著的提升,可以比较好地解释股票收益在横截面上的差异。这一结果表明,除了最新的基本面数据之外,基本面变量的历史数据对于基本面因子的构造仍然有重要的意义。最后,本文采用不同的模型综合考虑四个基本面变量构造了复合基本面因子。实证结果表明采用适当的模型得到的复合基本面因子的有效性超过了所有单一基本面因子的有效性。在研究过程中,本文使用了不同复杂度的模型来讨论基本面变量之间相互作用关系的复杂度。本文用到的模型包括多元线性回归模型、Elastic Net模型以及在机器学习任务中表现优异的XGBoost模型。通过对不同模型的检验结果进行对比,本文发现XGBoost模型的表现最佳,其多空组合的平均月收益率达到1.6%。因此,本文认为不同基本面变量之间的相互作用关系是复杂的,根据其相互作用关系构建复合基本面因子可以进一步提高基本面信息对股票收益在横截面上差异的解释能力。