因子布阵手册：从“盲打”到“精准”的分域选股实战
分域选股的背景与价值
传统选股模型因忽略不同股票子集的差异性而错失精细化定价机会，且指数增强策略超额收益逐年衰减。分域选股通过引入“条件变量”提升预测精度，其核心价值在于实现Alpha层面优化、Beta层面风格捕捉及产品业务支持。
分域有效性检验
提出“置换检验+BH校正”框架，将事后回测前移为事前诊断，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”。以板块分域为例，每年约30.8%的因子通过显著性检验，说明该框架能有效量化分域方式的有效性。
如何分域
传统分域的局限
基于行业、市值等静态属性的传统分域（慢分域）存在覆盖度不高、跨周期稳定性差的问题，其变化频率与因子收益波动存在错配。
快分域体系
基于投资者行为偏差的快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，能及时捕捉交易行为偏差所引发的定价异质性。实证显示，DS快变量分域的异质性覆盖度（TO20_DS达63.3%）显著高于传统慢分域（行业板块30.8%），且跨周期稳定性更强。
监督学习分域
引入监督学习分域方法，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”。实证结果显示，监督学习分域的异质性覆盖度高达97.5%，且绝大多数因子的前后半段匹配稳定性Spearman系数均为1.00，稳定性较高。因子在三域中的表现方向清晰一致：均值回复类因子（BP、RET20）在均值回复域显著最强，趋势类因子（SUE0）在均衡域和趋势域相较更优。
域内如何训练
域内训练的目标与流程
域内训练的目标是构建对域内股票预测能力最强的复合因子，核心流程包括数据预处理、因子异质性筛选、因子筛选、因子加权及得分合成。
如何保留域间Alpha差异
分域模型设计的核心挑战在于域内标准化会抹平域与域之间的Alpha差异。提出两项改进措施：
- 取消域内二次标准化，保留域间Alpha水位差异。
- 叠加域Alpha动量信号，将不同域的预期收益差异显式纳入得分。
模型效果对比
两步法改进后，分域模型在全市场及主要宽基指数上的表现优于全域模型，收益端改善尤为显著。例如，中证500分域增强策略年化超额收益达到8.8%，信息比1.74，相对回撤-5.9%，全面优于全域增强策略。
分域模型在指数增强策略中的应用
以中证500和中证1000指数增强模型为例，分域模型均显著优于全域模型，说明域内Alpha与域间配置信号结合后，能够提供稳定的增量收益。
总结与思考
- 分域有效性检验：将“分域是否有用”前移为事前统计诊断，通过“置换检验+BH校正”框架，结合域内排名转换和匹配关系稳定性检验，科学评估分域方式的有效性。
- 从无目标的静态切分到有目标的动态分域：提出DS快变量分域和监督学习分域方法，分别解决传统分域的频率错配和缺乏目标的问题。监督学习分域能准确、稳定地刻画因子与定价环境之间的关联。
- 两步法组合框架：将域间Alpha差异显式纳入组合收益，通过取消域内二次标准化和叠加域Alpha动量信号，使分域模型重新获得跨域配置的能力，将域本身的Alpha差异转化为组合配置收益。
未来展望
- 继续优化监督学习分域标签，提升趋势域识别能力，并补充更能刻画趋势形成机制的变量。
- 完善域间组合和产品化应用，引入多周期域Alpha、域内因子广度、域收益回撤、拥挤度和风格切换状态等，构建更稳健的动态域权重模型，并针对不同产品场景设计分域变量与组合约束。
