本文试图识别在先前研究中报告的数百个股票收益率影响因子中哪些是具有统计上显著的上证180股票平均收益率横截面预测因子。本文改进了 Fama and French的开创性研究方法,采用对样本和研究方法分类组合的方式进行Fama-Macbeth回归估计,即对所有股票的市值加权最小二乘回归(VWLS)和对非微型市值股票(SSE180)的普通最小二乘回归(OLS)。将这两种回归方法的结果汇集在一起,作为一种推断非微型市值股票收益横截面决定因素的广义方法。为了证明中国微型市值股票的影响并方便与以前的研究进行比较,避免对微型市值股票的权重过高并针对数据挖掘偏差进行调整,本文同时还提供了使用OLS方法对所有股票回归的结果。多因子模型识别的独立决定因素的数量与单因子模型识别的显著因素数量相同,说明少数几个独立因素并不能吸收大量单个显著因素所包含的信息。相反,从本质上讲,能够独立预测上证180股票平均收益率的因素非常少。多因子模型识别的独立决定因素的特征和性质与单因子模型显著性因素的特征和性质有很大区别。相比之下,在12个多因子模型识别的独立决定因素中,只有1个是基本面因子(盈利同比增长的季度数量),而有7个是基于交易行为的因子(盈余公告宣告收益、一个月的动量变化率、六个月动量变化率、收益波动率、股票换手率、股票换手率的波动率、零交易的天数)。这些差异表明在研究股票平均收益的决定因素的模型设计中可以通过使用多因子模型确定的独立因素来更好地做到这一点。本文证明,上证180股票组中的独立决定因素往往是微型市值股票组中的独立决定因素,但反之不成立。在上证180股票组识别的12个独立决定因子中,10个是对所有股票的OLS回归中的独立决定因子,23个微型市值股票组中的独立决定因子(对所有股票的OLS)中有13个不是上证180股票收益率的独立决定因子。此外,12个独立决定因素中有11个不同于Carhart动量因子定价模型、Fama-French五因子定价模型和q-因子定价模型这些基准因子定价模型中的因素,账面市值比是一个例外的显著因子。这表明,过去的研究使用Carhart动量因子定价模型、Fama-French五因子模型和q-因子定价模型这些基准模型来控制特定自变量之外的股票平均收益率的横截面变化,而从本文研究的结果来看在研究上证180公司股票收益率影响因子时这项工作的重点可能没有达到预期的控制程度。根据本文的方法,本文估计出有12个因素提供了关于2002年至2018年期间上证180股票月度平均收益率的显著的独立决定信息,其余82个因素没有提供上证180股票收益率的独立决定信息。本文证明,很少有因素提供独立决定信息的原因是,股票收益率的独立决定因素的数量本质上是很小的,而不是因为这些少数因素能够吸收许多具有单变量显著性的其他因素中的信息。总之,通过确定股票月度平均收益率的独立决定因素以及放松独立决定因素在公司规模和时间上相同的约束条件,本文提供了新的证据证明从数百项因子回归的研究中得出的推论值得怀疑,从而解释了证券公司卖方研究员的研究报告中出现的很多股票收益率影响因子仅仅是在报告中“看起来有效”的原因。