- 传统多因子模型的困境:A股市场股票异质性高,传统模型假设因子具有一致性和可比性,导致在行业分化、风格多变的A股市场中表现乏力。
- 传统因子分域研究的优势与局限:分域选股通过行业、市值等维度隔离风格干扰,提升因子有效性,但存在静态性、离散性和维度诅咒等局限。
- 因子舒适区概念:提出“因子舒适区”框架,旨在动态自适应地识别因子最可能有效的股票集合,推动因子投资范式从“为域选因子”向“为因子找域”转变。
- 因子定价偏差的度量方法:比较OLS残差分析法、分位数差值法和概率分布散度法,发现分位数差值法在准确性和稳定性方面表现最优。
- 多特征线性框架的因子定价偏差预测模型:构建以因子预测偏差为因变量的多特征线性框架,通过动态加权复合多个低相关性特征,输出连续型“舒适度得分”。
- 基于多特征模型的舒适区复合因子表现:舒适区复合因子在年化ICIR与多头信息比率方面有显著提升,二次复合后进一步增强策略稳定性。
- 指数增强策略应用:将舒适区复合因子应用于中证1000指数增强策略,年化超额收益达12.8%,信息比2.40,相对回撤-7.9%,全面优于基准策略。
- 研究结论:因子舒适区框架能够有效识别因子在不同个股上的预测偏差特质,显著提升因子在其“舒适区”内的预测表现,并为传统多因子模型提供显著的增量价值。