从算法来看，PLS  算法相较于传统的主成分分析法在选股结果的单调性以及稳定性都有明显的提升,因为PLS  相比PCA  更重在主元对被解释变量的解释力度。
        在PLS  降维的框架下,我们需要应用“潜变量”的思想,潜变量即一种无法被直接观察到,但是对系统的状态和能观察到的输出都存在显著影响的变量。在实际应用中，为了对个股下期收益率进行预测,我们将个股在因子上的暴露记为显性变量,将因子共同影响下形成的个股预期收益率记为对应的潜变量。
        我们运用PLS  算法从包含技术面信息与基本面信息的26  个特征值中提取的潜变量用于全市场(除银行)选股,潜变量最高的前20%的股票稳定跑赢潜变量最低的后20%的股票,且夏普比率得到显著提升
        策略构建:我们构建了按照中证500  行业权重的行业中性策略,年化超额可达9.89%,夏普比率可达1.24,2018  年年化超额收益率为4.20%
        PLS  算法本身不限制潜变量的个数，而在本篇报告中，我们只是使用了基础的单潜变量算法，即假设每一期股票只受到一个隐含的内在驱动力的影响，这是一个较强的前提假设。后续我们考虑将这个限制放宽,即拓展至一维以上的潜变量空间,以期得到更进一步的选股效果。