量化专题报告-因子布阵手册：从“盲打”到“精准”的分域选股实战

因子布阵手册：从“盲打”到“精准”的分域选股实战 glmszqdatemark2026年05月18日 不同定价环境下，同一因子的有效性可能天差地别。本文构建了一套从"分域是否有效"到"如何分域"再到"如何应用"的完整研究框架，系统探索因子定价的横截面异质性及其在选股中的实践价值。 分域有效性检验：将事后回测前移为事前诊断。本文提出"置换检验+BH校正"的因子分域异质性检验框架，直接回答"给定的分域方式是否真正区分了因子的定价能力"，而非仅仅依赖最终回测表现进行倒推。置换检验构造因子跨域差异的零假设分布，评估观测到的域间差异是否显著偏离随机情况；BH校正则在多因子同时检验时控制假发现率，避免为分而分的数据挖掘。以板块分域为例，每年约30.8%的因子通过显著性检验，说明该框架能够客观量化分域方式的有效性，为分域变量的选择提供统计依据，而非依赖经验判断。 分析师叶尔乐执业证书：S0590525110059邮箱：yeerle@glms.com.cn分析师吴正宇 执业证书：S0590526030002邮箱：wuzhengyu@glms.com.cn 如何分域：从静态属性到有目标的定价环境识别。本文提出DS快变量分域与监督学习分域方法，分别解决传统分域的两个核心缺陷。传统行业、市值等静态标签变化缓慢，与因子收益波动存在频率错配——DS快变量分域以股票相对同行在波动率、振幅、换手率等量价维度的短期偏离程度作为分域依据，能够及时捕捉交易行为偏差所引发的定价异质性。传统分域还存在另一个根本缺陷：没有明确的选股目标，无法直接回答"哪类股票当前更适合哪类定价逻辑"——监督学习分域正是为此而设计，以代表性均值回复因子与趋势因子的定价误差为目标标签，直接学习"哪类股票更适合反转定价、哪类更适合趋势定价"，使分域边界围绕未来Alpha差异动态学习。实证结果显示，监督学习分域的异质性覆盖度高达97.5%，远超所有传统分域方式，且绝大多数因子的匹配稳定性Spearman系数均为1.00，说明这一框架能够准确、稳定地刻画因子与定价环境之间的关联。 相关研究 1．基金分析报告：聚焦AI硬科技：广发中证港股通信息技术综合ETF配置价值分析-2026/05/172．量化周报：短期抛压不改上涨趋势判断-2026/05/173．量化专题报告：AI读年报：20维解读2025年A股年报-2026/05/134．量化周报：继续保持乐观-2026/05/105．资产配置月报202605：各行业超预期方向盘点-2026/05/08 如何应用：域内训练+域间组合，缺一不可。本文提出"取消域内二次标准化+叠加域Alpha动量信号"的两步法，解决常规分域复合因域内标准化而丢失跨域配置能力的问题。分域的价值不只体现在域内因子筛选更精准，也在于能否将域与域之间的收益差异转化为组合配置收益。实证显示，三个域的长期累计超额收益分化显著，趋势域累计超额达60%，均值回复域则跑输基准约110%，这一信息若被域内标准化抹平，模型将损失大量配置收益。两步法改进直接保留域间Alpha差异，改进后效果显著提升——以中证500为例，分域增强策略年化超额收益由全域的5.2%提升至8.8%，信息比由1.02升至1.74，相对回撤由-9.2%收窄至-5.9%。 风险提示：量化结论基于历史统计，如若未来市场环境发生变化不排除失效可能；分域标签漂移与域结构突变风险；域Alpha动量信号的滞后性与反转风险；模型假设与工程实现风险。 目录 1因子分域：系统化Alpha捕捉的必由之路...............................................................................................................3 1.1传统选股模型的困境.........................................................................................................................................................................31.2分域选股的理论依据与价值.............................................................................................................................................................51.3分域选股模型的核心三要素.............................................................................................................................................................6 2.1分域有效性评估..................................................................................................................................................................................82.2基于投资者行为偏差的快分域体系..............................................................................................................................................212.3基于有监督学习的多维分域体系构建..........................................................................................................................................28 3细节决定成败：域内如何训练？............................................................................................................................34 3.1域内训练的目标与流程...................................................................................................................................................................343.2如何保留域间Alpha差异............................................................................................................................................................353.3模型效果对比....................................................................................................................................................................................37 4.1中证500增强...................................................................................................................................................................................404.2中证1000增强................................................................................................................................................................................42 7风险提示..............................................................................................................................................................49 表格目录..................................................................................................................................................................50 1因子分域：系统化Alpha捕捉的必由之路 1.1传统选股模型的困境 不同类型股票在行业属性、生命周期、商业模式及投资者结构等方面的差异性较大，传统模型会不可避免地“平均化”掉不同股票子集中存在的关键局部结构。其使得模型只能捕捉最粗粒度的共性信号，而错失精细化的定价机会。同时指数增强策略超额收益逐年衰减的趋势也要求我们更加关注因子收益在横截面的结构性分化问题。 以我们跟踪的线性多因子中证500增强策略为例，其超额收益在时序上呈现显著衰减。策略自2016年以来年化超额收益达13.3%、信息比2.78，整体表现优异，但2020年之后超额中枢明显下移，尤其在2024年9月24日前后的极端行情中遭遇了较大的相对回撤，2025年以来更是几乎与基准持平。这一现象背后的深层原因，并非简单的市场有效性提升或因子拥挤，而是因子收益在横截面层面的结构性分化日趋加剧——因子在股票横截面上的有效性并非均匀分布，而是高度依赖于股票所处的“域”。 资料来源：wind，国联民生证券研究所 比如动量因子与反转因子在不同市值域中的表现差异，是跨域定价效率差异的典型体现。在机构覆盖率较高、信息竞争更充分的大盘股域中，价格对信息的反映相对连续，趋势延续性更强，因而动量效应更为显著；而在散户交易占比更高、覆盖不足且换手活跃的小盘股域中，价格更容易受到短期情绪驱动而出现过度反应，随后产生均值回复机会，反转效应因此更为突出。 资料来源：wind，国联民生证券研究所 资料来源：wind，国联民生证券研究所 分域的本质即引入因子的"条件变量"以提升预测精度。通过识别并剥离因子与域之间的稳定定价关系，我们得以隔离不同域间的相互干扰，在特定股票池中更精准地释放因子的预测能力。这一逻辑看似直观，但落地并非易事——分域选股需要回答的，不仅是"如何找到有效的分域特征"这一技术问题，更需要厘清其背后的理论依据。 1.2分域选股的理论依据与价值 行为金融学视角：不同股票域往往聚集着不同类型的投资者群体（如机构与散户、成长型与价值型投资者），其认知偏差与交易模式存在显著的系统性差异（Barberis, Shleifer, Vishny, 1998）。例如，机构主导的大盘股对信息反应更充分，动量效应突出；而散户主导的小盘股