申万宏源金工：因子分域提升指数增强组合收益研究

发布时间：2026-08-26 一、AI总结内容 一、核心要点 1. 本次研究将因子分域应用于指数增强组合的风险约束环节，而非传统的选股模型，核心是基于收益因子在不同特征股票域的有效性差异调整权重偏离约束。 2. 核心逻辑：通过检验发现多数阿尔法因子在高波动、高流动性股票域的选股效果（IC、分组超额收益等）优于低波动、低流动性域，因此对高波动/高流动性股票放松个股权重偏离约束，对低波动/低流动性股票收紧约束，以获取更多阿尔法收益。 二、实证结果 1. 波动率分域：对中证500指增的年化超额收益提升约0.5%-0.6%，仅在牛市中提升显著，熊市中不显著甚至跑输，会小幅提升组合波动性。 2. 流动性分域（换手率维度）：实证中在中证500指增上表现最优，年化超额收益提升约1%，稳定性优于波动率分域，仅在2022年略微跑输不分域组合，其余年份跑赢1-2个百分点，跟踪误差小幅放大但信息比率提升；换用量价选股模型后，收益提升仍保持约1%，但参数离散度更大。 3. 其他分域（估值、动量、反转、市值等）：收益提升效果及稳定性弱于波动性和流动性分域，不推荐优先采用。 4. 指数适配性：流动性分域在中证1000指增上效果接近中证500，在中证300指增上效果差，因中证300成分股多处于低流动性域，与分域针对高流动性调整的设计错配。三、风险与应用提示 1. 分域效果与市场状态相关，牛市中提升更明显，熊市中效果有限。2. 效果依赖阿尔法因子在不同域的选股区分度，因子区分度不足时效果会下降。3. 不同指数的成分股特征不同，需针对性适配分域设计，如中证300需结合自身成分股流动性特征调整分域逻辑。 二、音频原文（转写） 大家好，欢迎参加申万宏源精工陈化使用因子分域提升指数增强组合超额收益。目前所有参会者均处于静音状态，下面开始播报声明，请参会人员务必注意本次电话会议交流内容仅限参会人员内部参考，任何机构或个人不得以任何形式对电话会议任何内容进行泄露或外发，请勿以任何方式索要、泄露、散布、转发电话。会议纪要、任何泄露电话会议纪要等信息的行为均为侵权行为。申万宏源研究保留追究泄露转发者法律责任的权利。 呃，好的，各位投资者，大家早上好。呃，很高兴呢，今天早上呢，我在这边呢，和大家汇报一下我们最新的一个研究。对，那我这边呢，最新做的一个研究呢，是关于因子分域的一个研究，并且呢，我们把因子分域呢放到指针的这样的一个组合框架里面呢去。去去做了一个尝试，去把 对。 那这次的因子分域呢，其实跟之前的因子分域呢。还是有一个比较大的一个不同。对之前大家做因子分运的主要呢？还是集中在就是在这个选股模型这一端。 对。然后在不同的域里面呢，可能有不同的最有效的因子呢。去分开来去建模。构建组合。 然后最后呢？在 用 对不同的组合呢，呃，给予不同的这样的一个仓位。对，八一。but 把不同组合等于是合并起来。 那这个呢，是我们之前呢可能做的比较多的这样一个分域的。这样一个做法研究。那这一次呢，其实我们这个分域的这样一个研究呢，其实 他不放在选股模型这一段。它是放在我们那个指针的组合框架里面的。 风险约束性。对，也就是说。我们在指针的这个风险约束这一块呢。然后应用我们分域的这样一个想法。 那么 具体怎么说呢？其实。我们可以看到像 嗯。PPT里面的这样的一个。 第三页的一个内容。呃，我们在这里呢，其实设计了一个对照组和一个实验组。对对照组呢，就是非常经典的这样的一个指针的一个框架。并且呢在约束端里面呢，我们有像。 行业的约束，市值的约束。然后，承诺股权重百分之八十以上的元素，以及 就是个股权重偏离的这个约束。那么在企业组里面呢？风险约束项里面的。 唯一改变的。就是那个个股权众偏离约束。对。并且呢，在选股模型这一端呢，和对照组呢，也是保，完全保持一致的。 那么。在实验组里面呢，我们对那个个股权重偏离。约束呢这一项呢？给他采取不同的设计。 对。我们对整个我们 选股在样本空间里的股票呢？按照波动性呢，给它做了一个分域。分成高波股票和低波股票。 并且呢。我们对高波股票呢？他的个股权重偏离了。适当的放松一些。 放大一些。对。从 从基础的，比如说偏离。百分之零点五呢，放大到偏离百分之零点六、零点七。 明年吧。然后对第一波股票呢，个股权重偏离给收窄。缩短到比如说偏离。四零点三。 零零二，对不对？对，就是高波股票的。一个偏离放松和第一波股票的偏离收紧的。这两者呢，是同时进行的。 就是。一个呢。放松零点一，一个就收紧零点一。对。 那么，为什么对高波股票？他的。偏离是放松，而第一波股票偏离是收窄的。一个最最重要的原因呢，是来自于就是 我们阿尔法因子是选股因子吗？ 对。高波域里面和低波域里面呢？呈现出来的选股效果是不一样的。对，并且呢是在高波域里面呢。 选股效果是。更要更好的。就阿尔法属性能量更强。对。 这个呢，其实我们也做了因子的一个。就是选股效果的一个具体的检验。就比如说我们把把整个全市场的股票呢。按照高波低波给它分成两个域。 然后去检验我们有的。这样的线，悬浮因子。包括成长。包括本身的这个低波因子。 还包括动量因子。还包括一些高倍定价因子呢。对双方 这两个域里面分别去做啊单因子的这样一个选股效果检验。检验出来结果呢？ 呃，都是能看到，就是。我们大多数的这种阿尔法因子呢。其实呈现的都是在高波的。这个股票域里面的。 他呢？打印纸的IC。包括因子的分组。多头超额收益这些呢，都是要更突出、更高的。 对。所以这个就是我们。为什么去？放松高波的。 这个就是。他的这样一个购物的偏离。目的呢，就是希望呢，在高波域里面做选股的时候呢。我们更容易去获得更多的这样的一个阿尔法。 走。但是呢，就是在这个之外呢，其实我们也知道。我们 放松高波的这个个股偏离，而收紧低波的。个股偏离的。 其实他一定程度上的。也会去改变。我们最终这个组合。在波动性因子上。 整体的这个暴露度的。一个改变。对，就是会死的。我最后呢。 优化出来的这个指针组合呢？它相比你部分域的那个组合。他在波动性一直上涨。会往高拨。 偏离一点点。对，或者说呢。它是低波因子上的一个暴露的程度呢？会减少。 会回拉一点。对。就是。这个就这一点呢，其实我们也要关注到。 to. 就在这个。在这个分域的这样的一个。个股权重偏离的这样一个设计里面呢。他确实。 会对我们整个组合呢？在这个嗯波动性这种意思上的贝塔上的。会发生一定的。一个小改变。 对。那么接下来呢，就是我们针对，就是我们。做的这样的一个分域的设计。和部分域的组合呢，我们进行了一个就是样本内的一个回测。 整个从一八年底。哎，一来的这样一个回测结果。我们可以看到的结果呢，是。就行 嗯。 首先，对于就是波动性分域的。这个表现。就。整体上去看呢，就是。 就年化超收益的提升的。大概是有。千分之五千分之六左右，就百分之零点五、百分之零点六。对。 但是呢 整个提升的。这个过程它不是非常平稳的。对。它呈现出就是阶段性。 提升显著。最阶段性的。没有提升。跑输不分与。 那。这个阶段性呢，可以用牛熊。这个是。市场状态。 再做一个划分。就是在牛市里面的时候呢。孙玉的。这个组合。 比部分的组合呢？跑的明显要更好。超额收益提升。很明显。 但是呢。到了熊市这个阶段的时候呢。水域的这个组合。还没法跑赢。 不分你的组合。还跑输了。对。这个呢，给我们就是有一个就是。 啊，隐隐的感觉。就是说。在牛市里面的。对。 我们一定程度上去放大一点。这个组合的一个波动率。不动气。对。 其实呢 能够对整个组合的这个超额收益的提升呢，幅度更大。对。也就意味着呢，我多承担一点点这个额外的风险。换取的这个收益呢，其实会 多的更多。 所以整体带来的这个信息比率呢，其实。是有提升的。但是呢，回到了血盟寺里面。我多存点，我多承担一点风险。 其实可能并不能换来这个收益的提升。对，所以这个呢，我觉得跟 跟我们的这样的一个直观的一个感受是是吻合的这个结果。对。那这个呢是。 我们 生育的一个主要思想，并且呢。我们把它是放在波动性。这个因子上的分域。做的一个实证。 那么接下来呢，其实我们还尝试了其他的一个。蹲浴的方法。给。包括像流动性分域。 然后呢，将估值等于。然后动量等于。反转，这月。我是几分月？ 那么。测试中。这么些分域的一个结果呢？其实我们最后呢。 看到的一个。结论是。就是。比波动性这个分域呢，效果会更稳健一点的话呢。 是流动性等于。对，所以这里呢其实。在整个框框里面的。这是。 呃，从应制分域的这个角度去出发的话呢，我们最推荐的就是流动性分域。那么流动性增益其实跟波动性增益的逻辑呢，其实是 非常一致的。因为多形因子本身跟波动形因子相关性也是比较高的。我们这里的流动性的一个策划呢，就是主要是从换手率这个角度去策划的。 那么，所以接下来呢，其实我们 and 完整的去。啊，测试的一点就是流动性分析下的。对这个指针组合。对三孩指增。 不败子孙。一千字左右。整体提升的一个效果是怎样的？那么首先呢，我们也检验了，就是。 把。整个就是，比如说。全市场的股票按照流动性。给他。 分层 高流动 域和低流动域 然后去看因子。在这两个域里面的全部表现。也是很清楚的看到了，就是因此呢。在高流动、高换手的这个域里面呢。 他的全部表现的。明显是要更好的。所以。这就给我们带来了，就是说。 嗯。做流动性增益跟刚才波动性增益的一个操作思路呢，是一致的。也是呢，我们对一些。高流动性的个股呢？ 放松他的个股权重偏离。而对低流动性的股票呢？去收窄。怕个股全部偏离。 对。那这样带来的一个结果呢，是。这。个流动性分域下的一个组合呢。 比部分一个组合呢。整体来说，提升效果呢？还是。比较明显的。 对。这个时候呢，流动性分离的组合比。部分的组合 年化收益上的一个提升幅度呢？大概能够有百分之一左右。 对。刚才波动性作用下呢，大概提升的幅度呢是 百分之零点五，零点六。这个时候呢，流动性分域呢提升幅度其实。上了一个台阶。 可以达到百分之一点几。这个。就。对这个水平。 并且呢。从整个提升的 稳定性去看的话呢。比刚才波动性增益上呢，也是有所改善的。对。 当然。它呈现出来的一个基本的。一个论调呢，也是。在牛市里面呢。 流动性增益的组合比部分的组合。提升效果呢？是比较明显的。比较显著的。 对。这是回到熊市阶段呢。流动性生育组合。比部分一个组合呢。 这个时候提升呢就。减缓了很多。但是呢 分域组合还是说？没有跑输那个部分组合，还是能够略微跑赢一点点。 对。B. 我们分年度去看的话呢，就是流动性分域下的组合。跟部分一个组合去比较的话呢。整个从一九年以来的话呢。 就只有在二二年的时候呢，会略微跑输一点点。这个。不随意的组合，然后24年的时候呢？大家是一个偏持平的状态。 然后在其他的年份呢？都比部分业主还呢能够。泡银。一到两个点的这样一个超额收益。 那么呢？我们还同样看到的是。呃，年化超额收益的提升 固然没错。对。 我们同样看到了，就是年化跟踪误差呢。分域组合比不分域组合呢？也会略微放大一点。这个就跟我们看。 最开始讲的是一致的，就是说。我。墩玉的这样一个设计呢，确实。会对我这个组合它的一个波动性啊。 或者他的一个像现在的这样的一个流动性换手率呢。会略微放大一点点。对。所以我们看到结果也是就年会跟踪误差呢。 分与组合，比不分与组合。会略微放大一点。但是收益的提升幅度更大。所以带来的信息比率呢？ 就分域组合比不分域组合还是有所提高的。那么针对这个。流动性分运 这个情况的。接下来呢，还做了一个测试。 就是说我换一种选股模型，这个流动性分域呢，提升效果对五百的这个指针的提升效果是不是还是稳定的？对，因为刚才我们在做第一个那个就是啊流动性分域或者波动性分域测试的时候呢，我们用的选股模型呢，是这样的，是基于这样四个大的因子去构建的，分别是那个成长，然后呢盈利，然后低波。波动以及分析师这四个大类因子去构建的这样一个选股模型。对，那么接下来呢，我们换一个选股模型，换一个什