随着我国资本市场的发展,上市公司数量不断增加,传统基本面研究或者技术分析的难度日益增大,越来越多的投资者开始研究多因子选股模型,试图交叉融合统计学、金融学、信息技术学科知识来获得超额收益。因此基于国外多因子模型研究成果,寻找适用于我国股票市场的因子筛选方法及我国股票市场的有效因子很有必要。本文将非参数估计和Lasso算法运用到因子筛选中,首先构建了逐步线性回归模型、线性回归Lasso算法模型以及非参数估计Group Lasso算法模型筛选出关键因子。其中非参数估计Lasso算法筛选出的因子与其他两个模型重合数量最少,说明运用非参数估计能突破多元线性回归模型的限制框架来筛选有效因子。本文分别回测了三种模型构建的投资组合。非参数估计Group Lasso模型与其他两个模型相比,收益率和夏普比率有显著的提高,且收益波动率也有一定的改善。本文最后采取了滚动回归的方式,进一步优化非参数估计Group Lasso模型,在不明显增加风险的情况下,有效的提高收益回报率。