股市系统性风险的累积会演化为金融危机,金融危机的爆发会对国民经济产生毁灭性的影响。因此,股市系统性风险一直以来都是学者们研究的热点问题。在当下愈发复杂的经济环境中,建立一个有效的模型预测股市系统性风险和找到一种合适的方法对股市系统性风险影响因素进行识别,成为一个现实问题。目前已有学者建立机器学习预测模型对股市系统性风险进行预测和使用一些可行的方法进行股市系统性风险影响因素识别。但是,前人的研究存在着一些问题:因缺乏有效的机器学习超参数组合优化方法,导致股市系统性风险预测性能释放不足;因缺乏合理有效的因素识别方法,导致对股市系统性风险影响因素的识别研究缺乏全面性和严谨性。为了更好地预测股市系统性风险,本文以随机森林（RF）模型作为基准模型,将协方差矩阵自适应进化策略（CMA-ES）算法与RF模型相结合,建立出CMA-ES-RF股市系统性风险预测模型。CMA-ES算法能够基于动态调整能力对RF模型的超参数组合进行优化,使得模型能够更好地处理股市系统性风险数据存在的非线性和冗余性。因此,CMA-ES-RF模型的建立解决了目前随机森林模型在股市系统性风险预测中因缺乏有效的超参数优化方法而导致模型难以充分发挥出优秀预测能力的问题。为了更好地识别股市系统性风险影响因素,本文引入ALE方法破解CMA-ES-RF模型存在的“黑箱”问题,将风险预测和风险因素识别结合成一个有机整体。ALE方法通过解释CMA-ES-RF模型所拟合的复杂关系,可以从线性、非线性和交互性三个角度实现对股市系统性风险影响因素的效应进行识别,解决了目前股市系统性风险影响因素识别研究缺乏全面性的问题。与其他因素识别方法不同,ALE方法不依赖输入因素严格不相关的假设,解决了目前在股市系统性风险影响因素的识别研究缺乏严谨性的问题。本文的研究发现,CMA-ES-RF股市系统性风险预测模型能够实现样本外股市系统性风险的高精度预测。相较于基准模型,CMA-ES-RF模型的MSE指标降低了68.0%,MAE指标降低了47.8%,MAPE指标降低了56.0%,R~2指标提高了7.6%;相较于其他对比模型,CMA-ES-RF模型的预测精度也有不同程度的提升。通过ALE方法对股市系统性风险影响因素进行识别,本文发现香港市场风险、沪港通资金流动量和美元汇率存在近似线性的影响;中债综合净价指数、新加坡股票市场风险和欧元汇率波动则大致呈现U型的非线性影响;而能源因素和黄金市场因素则表现出更为复杂的非线性影响。同时,在ALE交互性识别中,本文发现在金融开放因素的交互影响下,相关的股市系统性风险影响因素的影响效应复杂度会有所增加。因此,CMA-ES-RF模型的建立丰富了股市系统性风险预测模型的方法论,能够为风险预估和投资决策提供一定的帮助;ALE方法的引入丰富了股市系统性风险因素识别研究的方法论,对金融市场监管部门实现精准化预防系统性风险有一定帮助。