现有针对中国股票市场的研究结果表明,经典的Fama多因子模型在中国股票市场上的应用存在一定的局限性,不能被直接拿来研究中国股票市场上资产的期望收益在截面上的差异等。延续Fama的研究方法,一系列有意义的多因子模型相继被建立,从众多特征变量等信息中识别出能为股票市场的平均收益提供独立信息的公司特征因子,回应了 Cochrane（2009）提出的多维挑战（the multidimensional challenge）。本文另辟蹊径,应用工具主成分分析（Principal Component Analysis）方法针对中国股票市场挖掘市场的有效因子,探索建立适用于中国股票市场的多因子模型。本文选取中国股票市场1998年6月至2020年11月股票的收益数据和38个特征变量的数据作为样本开展实证研究。通过应用工具主成分分析方法对中国股票数据进行训练,以及对训练得到的工具主成分分析模型开展检验截距项的显著性等研究步骤,我们获得七个有效因子。七个因子中的一个无明显特征,而另外六个因子可被解释为市场因子,价值因子,特质波动率因子,盈利因子,固定资产比率因子和换手率因子。表明中国股票市场上特征因子应由Beta,账面市值比,特质波动率,固定资产比率,总资产净利润率和换手率六个特征表示。与经典Fama模型因子比较,本文针对中国股票市场估计得到的因子中没有明显的规模因子和投资因子,多了表示特质波动率,固定资产比率,换手率和总资产净利润率的四个特有因子。这四个显著特征显示了中国股票市场的复杂度,解释了 Fama多因子模型不能直接拿来应用于中国股票市场的原因。此外,本文应用所挖掘出来的有效因子建立了适用于研究中国股票市场的因子模型。通过对特征资产组合以及行业资产组合开展回归分析,进行GRS检验,估计回归误差平方根等实证分析,我们发现:本文建立的因子模型在描述中国股票样本的截面差异,最大夏普比等方面比CAPM、Fama-French三因子、Carhart四因子、Fama-French五因子和六因子模型等经典模型具有更好的效果。同为六个因子的情况下,本文估计的因子模型对行业资产组合回归的GRS统计量为0.46,Fama六因子模型的GRS统计量为1.52;本文估计的因子模型截距项显著为零,而Fama六因子模型却显著不为零。