智能量化投资是我国金融业高质量发展的重要组成部分,是金融科技发展的必然趋势。近些年,以神经网络为代表的机器学习方法广泛应用于量化投资,然而深度神经网络难以训练,效果不稳定,可解释性较差,且与图像识别等领域相比,金融数据信噪比低,噪声大,导致单一神经网络在因子投资中并未取得预期效果。有鉴于此,本文构建了一个基于浅层神经网络、融合无监督学习的非线性资产定价模型,并对包含前馈神经网络在内的五种模型,从统计绩效与投资绩效两方面进行比较性分析,最后,引入可解释机器学习中两种与模型无关的可解释性方法对模型的可解释性进行初步探索。本文收集了2008年10月至2018年9月A股市场医药制造行业的96个异象因子,并以此为样本构建异象因子集合进行实证分析,统计绩效实证结果表明:在股票横截面预测和沪深300医药指数组合预测中,所有的模型均能实现良好的预测效果,无监督学习对异象因子集合的特征学习能够有效改善单一前馈神经网络模型的效果,且非线性无监督学习（KPCA和AE）的特征学习效果显著优于线性无监督特征学习（PCA）,说明了特征学习在机器学习应用于实证金融领域的必要性,且非线性无监督学习具有一定的优势。投资绩效实证结果表明:依据非线性模型预测结果构建的等权重投资组合能够取得显著超过指数的收益,所有的多空组合和多头组合都能获得显著的收益,组合收益率经过FF3和FF5调整后,结论仍然稳健,其中表现最好的模型仍然是融合非线性特征学习的KPCA-DFN和AE-DFN模型,且AEDFN的回撤更小,更加稳健,这表明依据非线性资产定价模型所构建的投资组合能够实现良好的投资绩效,进一步表明了非线性无监督学习的优势。因子特征重要性的结果表明:异象因子集合中量价类指标占据绝对的重要性,而反应公司基本面信息的财务类指标很少提供增量信息,具体而言,量价类指标中的价格趋势类,衡量流动性和风险的相关特征最为重要。累积局部效应图的结果则表明:一阶效应图的边际关系分析表明非线性资产定价模型识别的模式与一些众所周知的经验现象契合,如规模效应,市值效应与动量效应;二阶效应图表明,AE-DFN确实能够捕捉到异象因子之间的交互作用。本文的模型能够有效改进单一前馈神经网络模型的效果,强调了特征学习尤其是非线性无监督特征学习在机器学习应用于实证金融领域的必要性,丰富了机器学习与实证金融交叉领域的相关研究,且具有潜在的实践价值。