资产收益预测问题的核心是对资产进行合理定价。传统资产定价模型以Markowitz的均值方差理论为基石,以套利定价理论（APT）为补充,经过几十年的发展,形成了一套行之有效的研究框架。然而随着大数据时代来临,传统资产定价研究面临两个迫切需要解决的问题:（1）异象因子不断涌现增多,形成“因子动物园”;（2）传统线性模型（OLS）无法有效识别异象因子间的非线性关系。机器学习,尤其是在各种任务场景中都表现优异的集成学习boosting族算法——XGBoost、Light GBM、Cat Boost,继承了机器学习用来预测的本质,并且能很好地处理高维输入数据,其内部的树结构通过“分支”为模型增加了非线性识别特点,所以集成学习模型适合作为资产定价研究的备选工具,本文结合集成学习研究资产定价具有重要的理论和实际意义。本文重点从以下方面展开分析:首先对传统资产定价理论和集成学习理论归纳总结,结合两者并提出理论研究框架,分析后发现集成学习模型与传统资产定价模型的最佳结合点位于对资产未来收益预测这一模块,因此,本文利用一个包含167个特征的因子集作为输入,利用集成学习算法对资产的截面收益进行预测。之后的实证部分围绕集成学习的预测结果展开检验和分析,该部分分为两个角度,一个角度是检验集成学习在A股市场中的表现,并回答集成学习在A股市场上是否有可预测性以及集成学习模型的非线性性质能否提升投资绩效两个问题,另外一个角度是对集成学习预测结果做出经济解释的研究。最后根据实证结果提出相应的研究建议。本文的研究结论主要是:（1）集成学习模型在A股市场是有可预测性的,本文采用的XGBoost、Light GBM、Cat Boost模型的预测结果构建的多空投资组合都获得了显著的收益,经过Fama French三因子和五因子模型检验后也能获得显著的超额收益,在控制了A股市场中其他因子后,集成学习模型的定价效果也依然显著,其中表现最好的模型是Cat Boost,其等权重多空组合的月度收益为3.14%,市值加权组合月度收益为2.54%。（2）设置两个基础模型作为对比基准,第一个是传统研究中常用的线性回归模型（OLS）,第二个是所有因子中表现最佳的因子构建的单因子模型（MACD60,60日移动均线指标构建的因子）,通过集成学习模型与两个基准模型比较来看,集成学习模型月度收益普遍高于两个基准模型,Cat Boost、Light GBM、XGBoost相对线性模型（OLS）月度收益分别提高了48%、34.9%、22.6%,相对单因子模型分别提高了57%、43%、30%。（3）经济重要性表明Cat Boost在考虑交易费用后依然可以获得显著的超额收益,因子重要度分析表明Cat Boost偏好选择公司质量类以及技术、情绪等由市场交易数据构建的因子。最后对错误定价股票的分析表明Cat Boost对低波动、高流动的“蓝筹股”由较好的预测性,并能因此获得超额收益。因此,应利用先进的机器学习技术研究资产收益率的研究中,探究其中的非线性关系,提升模型的效果,建立相关解释框架,从而促进对金融市场内在逻辑的理解。