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

目录因子分域：系统化Alpha捕捉的必由之路 3传统选股模型的困境 3分域选股的理论依据与价值 5分域选股模型的核心三要素 6如何量化评估分域有效性？ 7分域有效性评估 8基于投资者行为偏差的快分域体系 21基于有监督学习的多维分域体系构建 28细节决定成败：域内如何训练？ 34域内训练的目标与流程 34如何保留域间Alpha差异 35模型效果对比 37分域模型在指数增强策略中的应用 394.1中证500增强 404.2中证1000增强 42总结与思考 446附录 477风险提示 49插图目录 50表格目录 50Alpha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。500201613.32.78，整体表现20202024924图1：线性多因子中证500增强策略历史净值 图2：线性多因子中证500增强策略分年度表现 年份基准年份基准策略超额收益信息比相对回撤跟踪误差2016-17.8%4.3%22.0%5.35-1.2%4.1%2017-0.2%17.3%17.5%5.40-1.4%3.2%2018-33.3%-19.7%13.6%3.34-1.5%4.1%201926.4%44.8%18.5%4.08-3.4%4.5%202020.9%30.9%10.1%2.03-1.9%5.0%202115.6%27.3%11.7%2.11-4.2%5.5%2022-20.3%-7.2%13.1%3.27-1.3%4.0%2023-7.4%0.0%7.4%1.83-2.4%4.1%20245.5%12.1%6.6%1.01-9.7%6.5%202530.4%30.5%0.1%0.02-4.8%5.1%2026041710.0%14.8%4.8%0.67-2.9%7.2%汇总0.8%14.1%13.3%2.78-9.7%4.8%国民证研所 国民证研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。图3：动量因子在不同宽基指数域内多空净值 图4：反转因子在不同宽基指数域内多空净值 国民证研所 国民证研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——理论依据。行为金融学视角（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（rberi,l,ih,1998。例如，机构主导的大盘股对信息反应更充资产定价理论视角（风险敞口流动性冲击等具有不同的敏感度，导致同一因子在不同域中承担的风险收益特征不同。计量经济学视角（Structural（Andrews1993）Alpha，通过横截面切割使因子的预测能力具有显著的异质性，从而优化第二Beta（在产品业务层面第一，横截面分域：如何量化预评估分域的有效性？如何分域能显著区分Alpha预测能力？分域的第一步是确定将股票按照何种特征划分成不同的子集，然而并非任意置换检验与多重校正，回答"什么样的分域是有效的"这一基础问题。第二，域内训练：如何在各域中构建有效的预测模型？第三，域间组合：如何将各域的预测结果融合为最终的投资信号？选股收益与域间配置收益，最终在指数增强策略中实现风险可控的收益增强。图5：分域核心三要素全流程图 国联民生证券研究所绘制三个环节，我们试图为分域选股提供一套可复制、可验证的实践指南。如何量化评估分域有效性？如何科学地检验因子在不同域内的表现差异？这不仅是验证分域逻辑是否成差异的显著性RankIC域间的可比性ICCIC覆盖度与增量价值：分域方式对既定因子库的覆盖度有多广？即有多少因子表现出显著的跨域异质性？这直接关系到分域能带来多少潜在的增量收益——如果只有极少数因子存在异质性，那么即使这些因子在域内得到优化，对整体组合的贡献也可能微乎其微。关系的稳定性：域与因子之间的对应有效性关系是否经得起时间检验？如果这种关系只在特定市场阶段成立，那么基于历史数据构建的分域模型就可能在未来失效。上述问题直接关系到分域策略的有效性和可靠性。若不能科学地回答这些问估框架，是分域选股研究十分重要的一步。为什么要建立评估框架？为什么不直接比较全域模型和分域模型的最终表现，而要单独建立一套因子层面的评估框架化。子之间的关系进行预检验。这个框架的作用是：覆盖度扫描：判断有多大比例的因子表现出显著的跨域差异，评估分域方式对因子库的整体适配性。显著性把关避免被噪声误导。因子筛选：识别真正具有异质性的因子，为后续域内差异化训练提供依据。评估方法：置换检验RankIC来衡量。我们需要一个不依赖于数据分布假设、能够处理多个域比较的方法——置换检验正是理想的选择。置换检验是一类基于数据重排的非参数假设检验方法，Bonninietal.（2024）ReviewaboutthePermutationApproachinHypothesis中对其理论与应用进行了系RankIC1、在每个月末分别计算该因子在各域内的RankIC，得到一个"月份×域"的IC矩阵，每个元素对应某月某域的IC值。2ICIC——ICIC1000这里打IC配。从理论上看，后者（随机重分配股票域标签后重新计算IC）案。在各域样本量差异不悬殊的情况下，两种方式的结论通常一致。3ICIC10001000pp0.05（5了比真实观测更大的域间差异图6：置换检验示意图 ，国联民生证券研究所这个方法的优点在于：无需分布假设：传统参数检验（tF）ICICICIC行用t检验判断其是否显著高于金融域，pICICICICICIC判定为显著；若改用参数检验并假设各域方差相同，则会忽略这种规模差异，可能高估小样本域差异的显著性。多重检验校正当我们同时对多个因子做置换检验时，每个因子都会得到一个p值，衡量其跨域差异是否显著。然而，同时检验的因子越多，仅凭偶然就出现低p值因子的概率就越高——即使所有因子实际上都没有跨域差异，在检验100个因子时，也预期有约5个因子的p值低于0.05。这就是多重检验问题。解决思路是控制错误发现率（aleDicoryRaeFDR控制误判风险的同时保留更多真实信号。Benjamini-Hochberg（BH）方法正是基于这一思路：p≤≤⋯≤𝑝𝑚。对每个排名i计算对应临界值： 𝑖

设为0.05。𝑞𝑖=(𝑚)×𝐹𝐷𝑅𝑙𝑒𝑣𝑒𝑙k，使得≤𝑞𝑘k

𝑙𝑒𝑣𝑒𝑙BH（p的因子适用更宽松的阈值，对排名靠前的因子则要求更严格pFDR图7：BH校正步骤示意图 国联民生证券研究所绘制案例展示：以大类行业板块为例的异质性检验业样本量过小的困扰。大类板块申万一级行业周期有色金属、石油石化、煤炭、钢铁、基础化工、交通运输、公用事业大类板块申万一级行业周期有色金属、石油石化、煤炭、钢铁、基础化工、交通运输、公用事业制造建筑装饰、建筑材料、机械设备、汽车、国防军工、轻工制造、环保、纺织服饰消费家用电器、食品饮料、商贸零售、社会服务、美容护理、农林牧渔科技电子、计算机、通信、传媒、电力设备金融银行、非银金融、房地产、综合医药医药生物，国联民生证券研究所30A检验步骤的具体步骤如下：1、因子预处理：全市场内进行缺失值填充、缩尾、中性化处理，之后在全域和分域进行后续标准化处理。2（置换检验10RankICIC𝑲𝑻=𝟏∑(̅

̅(̅̅̅̅̅)𝟐𝑲𝒌=𝟏

𝒌−

𝑰𝑪)𝒌其中̅为因子在第k个板块的10年平均RakC。该统计量越大，说明因子在不同板块间的长期表现差异越大。𝒌1000ICT值，得到零假设下的统计量分布。将真实的Tp（T。3、多重检验校正30pBHFDR=0.05，筛选出具有显著跨域异质性的因子。因子简称因子释义类型方向因子简称因子释义类型方向BP账面市值比价值1DP股息率价值1EP盈市率价值1OCFP现市率价值1SP_Q单季度营业收入/总市值价值1EP_Q季度盈市率价值1EP_PERCENTILEEP_TTM一年时序标准分价值1JUMP_OPEN盈余公告动量成长1NET_PROFIT_TTM_YOY归母净利润TTM同比增长率成长1ROE_Q_YoY单季度ROE同比变化成长1NetProfit_Q_YoY单季度归母净利润同比增长率成长1Revenue_Q_YoY单季度营业收入同比增长率成长1SUG0毛利超预期成长1SUE0盈余超预期成长1SUR0营收超预期成长1GrossMargin_Q单季度毛利率盈利1ROA_Q单季度ROA盈利1ROE_TTM净资产收益率TTM盈利1ROE_Q单季度ROE盈利1S_FA_NETPROFITMARGIN_TTM净利率TTM盈利1MR3高管薪酬另类1MOM6060日改进动量量价1HSIGMA_FF3FF3回归残差项的波动率量价-1TO20_STD过去20日换手率标准差量价-1ILLIQ_20D非流动性量价1corr_pvol2020日量价相关性量价-1RET240240日动量量价1RET2020日反转量价-1IVR1-CAPM回归的r方量价-1MOM2020日改进动量量价1，国联民生证券研究所32018202530.8%（平均9.3/30个因子，表明板块分域对因子预检验日期总因子数显著因子数检验日期总因子数显著因子数显著比例平均p值平均校正后p值2018-12-2830826.7%0.15920.20042019-12-31301240.0%0.15640.18312020-12-31301756.7%0.14200.16132021-12-31301240.0%0.18620.22362022-12-30301033.3%0.21860.27422023-12-2930516.7%0.29340.38762024-12-3130723.3%0.27260.36362025-12-3130310.0%0.30540.3998平均309.330.8%0.21670.2742，国联民生证券研究所图8和图9展示的热力图与出现频率排序揭示了因子跨域异质性的结构特征：OC（现金流市值比和Nfit_QoY（季度净利润同比在全部8SUE0和OEoY不同板块对盈利信息的定价效率差异最为根本——科技和医药板块的高成长预期使得盈利超预期因子的边际信息量显著高于金融和消费板块。长期动量6（特质波动率）出现5次，但在个别年份有所缺失，其跨域差异受市场环境的阶段性影响。估值类因子在板块间的预测力差异则不大：BP和SP_Q仅出现2次，EP和DP各出现1次，仅在个别年份偶发显著，证实传统估值因子的定价逻辑在板块间的分化并不显著。图8：因子×年份显著性热力图 ，国联民生证券研究所图9：各因子在板块分域异质性检验中的显著次数（2018—2025年） ，国联民生证券研究所IC上述检验直接使用各域的RankIC绝对值衡量跨域差异，隐含假设不同域的因子整体有效性水平大致相当。然而在实践中，某些域可能对所有因子都更为"友好"，导致IC普遍偏高，反之亦然。表4显示，不同板块的因子整体有效性水平存在系统性差异：制造板块因子（IC均值4.8CR2.02（IC均值3.8C1.34IC相差约1关系的判断——板块平均RankIC均值平均RankICIR板块平均RankIC均值平均RankICIR制造4.8%2.0161科技4.7%1.8232周期4.4%1.7790消费4.2%1.6388医药4.2%1.2452金融3.8%1.3356，国联民生证券研究所ICICICABIC样的置换检验。IC验的长期平均显著因子比例为34.6C（30.8%2019—2020——2019202050.0%，IC202056.7%。这表2020两种检验出现显著分化：IC10.036.7IC——板块分域对因子筛选的价值并未完全消失。图10：RankICvsRankIC相对排序异质性检验结果比较 按RankIC检验按RankIC相对排序检验检验日期显著比例平均p值平均校正后p值显著比例平均p值平均校正后p值2018-12-2826.7%0.15920.200430.0%0.18760.23392019-12-3140.0%0.15640.183150.0%0.16070.19552020-12-3156.7%0.14200.161350.0%0.12870.15052021-12-3140.0%0.18620.223643.3%0.16410.19232022-12-3033.3%0.21860.274216.7%0.17170.21122023-12-2916.7%0.29340.387626.7%0.19430.24442024-12-3123.3%0.27260.363623.3%0.20680.25962025-12-3110.0%0.30540.399836.7%0.21430.2605平均30.8%0.21670.274234.6%0.17850.2185，国联民生证券研究所ICNetProfit_Q_YoYRET240HSIGMA_FF38）SUE0（6）ICIC81OCFPIC——效应，而非因子本身的域偏好。两种检验方式各有侧重，建议结合使用。需要注意的是，域内排名转换也引ICIC绝对值检验度量"因子在不同域的表现是否有差异"，排名检验度量"不同域对因子的偏IC——仍采用IC绝对值作为异质性检验标准。图11：因子×年份显著性热力图（按RankIC相对排序检验） ，国联民生证券研究所因子-域匹配关系的稳定性方向是否随时间保持稳定？异质性检验衡量的是因子在所有域之间的整体差异程度——2018—20202023—2025匹配关系的翻转意味着无法根据历史统计预判因子在各域的未来表现方向。（1055年中因子在各域的平均ICIC间的Spearman秩相关系数：相关系数接近1：因子在各域的相对强弱在前后5系稳定，可据此指导域内因子配置；0：前后匹配关系随机化，历史规律不具有外推性；相关系数为负：匹配关系发生翻转，原来强势的域变弱、弱势的域反而变强。从检验结果看，因子可按稳定性分为三个层级：（平均相关系数.5G（0.63UE（0.62LLQ0D（0.61Nfit_Qo（0.56OC（0.54——SUE010（平均相关系数0.2-0.5OEo（0.45EP_（0.41低稳定性/漂移因子（平均相关系数<0.1JUMP_OPEN（-0.22Gosgi（-0.14OE（-0.13异化配置的依据。图12：行业板块分域下的因子-域匹配关系稳定性 ，国联民生证券研究所（IC（基于域内排名的排除域效应检验（前后半段匹配关系检验将在此基础上，探讨不同分域方式的选择与对比。图13：因子分域异质性检验完整流程示意图 国联民生证券研究所绘制分域变量的选择，本质上是寻找能够刻画因子跨股票定价差异的维度。常见域内股票同质性越高传统“慢分域”的尝试与局限早期分域研究大多基于股票的固有属性，这些属性在月度甚至季度间变化有（成长性）决定了其对特定因子的敏感度。常见的慢分域方式包括：行业板块（盈利模式、周期属性、政策环境等方面存在天然区别。市值性与机构关注度的差异。价值/成长合、成长三类，捕捉两种主流投资逻辑的轮动规律。生命周期展阶段的财务特征。分析师覆盖：根据覆盖分析师数量划分。分析师关注度高的股票信息透明度高、定价效率高，反之则可能存在信息不对称。——置换检验与BH覆盖度越高说明该分域方式的区分能力越强。（40.4%（37.5%/32.9%）（30.8%（12.1%2019—2020（分别为56.7%和50.0%，但行业板块此后整体持续下降，2025年末仅为10.0%，反映出近年板块间定价差异的收窄。市值和价值/成长则呈现后发优势：市值在2022—2025/2023图14：“慢分域”异质性覆盖度时序变化情况 图15：“慢分域”异质性平均覆盖度对比 国民证研所 国民证研所根本原因在于其变化频率与因子收益波动存在错配。一是整体覆盖度不高，即使表现最好的分析师覆盖度，长期平均也仅40.4%，超过半数的因子在该分域下不——慢分域的"慢"与因子收益波动的"快"之间，存在天然的频率错配。基于行为偏差的“快分域”尝试为解决慢分域与因子收益波动之间的频率错配，我们引入能够快速响应市场状态变化的分域方式。——是许多因子有效性的微观基础。DSChenHWangandYu（2025）SalienceandShort-termMomentumandReversals中提出"偏离显著性"（DeviationSignificanceDS）概念，其定义如下：𝐷𝑆=

−𝑋𝑝𝑒𝑒𝑟||𝑋𝑖|+|𝑋𝑝𝑒𝑒𝑟|DS取值介于01DSDS（Salincehorydalo,Gennaioli&Shleifer（2012）SalienceTheoryChoiceUnderRisk中提价（dalo,Geaioli&,2013,ceandConrChoice在（与同行出现极大偏此，高DSDS股票信息扩散相对充分，则更适合动量、超预期等趋势型因子。DS指标的构建涉及基础变量与peers两个关键要素。我们尝试了三类基础变量、各取三种回溯窗口，共9个DS指标：（O：过去10日、20日和60日的波动率。（O：过去10日、20日和60日的换手率。振幅R：过去10日、20日和60日的振幅。peers采用申万一级行业分类，取行业内股票指标值的中位数作为同行代理控制基本面差异。16汇总了DS9个DSRankIC-1.9%至-3.7ICIR-1.55至-3.23DS（与同行偏离越大DSDSDS更适合作为刻画股票偏离程度的“分域标签”，用于辅助识别不同定价环境，而不宜直接作为独立选股因子使用。-10.0%920.351.4%-9.6%%10.569.9%918-10.0%920.351.4%-9.6%%10.569.9%918-1.72%-2.VOL60_DS-5.0890.381.2%-3.4%%12.274.8%2868-2.-2.9%VOL20_DS-3.9%0.70212.2%-2.8%14.1%82.9%-3.2268-3.5%VOL10_DS-9.1%0.07440.3%-8.4%3.0%68.3%473-1.5-1.9TO60_DS9%-6.0730.31.0-8.5%5%4.74.0%154-2.16%TO20-7.9%0.43291.4%-9.6%7%5.76.4%5429-2.-3.0%TO10_DS-11.3%0.13300.5%-9.6%9.8%71.5%932-1.70%-2.ATR60_DS-5.61.8%-4.514.0%78.9%4272-2.-2.9%ATR20_DS-3.6%0.71202.3%-4.216.6%78.0%-3.1715-3.7%ATR10_DS多头相对回撤多头信息比多头年化超额最大回撤多空年化IC月胜率年化ICIRRankIC均值因子简称，国联民生证券研究所DSDS30%/40%/30%的比例将全市场DSDSDS17以20O20_S的长期平均显著因子比例达63.3TR20S为58.3OL20S为44.2（40.4%）和市值（37.5%。——板块从2020年的56.7%骤降至2025年的10.0%。相比之下，快分域波动幅度明显更小：TO20_DS在8个检验年度中有7个年度显著比例达到或超过50%，550%—74%区间。这种稳定性源于量价指标的高频更新特性——即使市场风格切换，短期交易行为仍能及时反映新的行为偏差格局。慢分域检验日期慢分域检验日期行业板块26.7%40.0%56.7%40.0%33.3%16.7%23.3%26.7%26.7%33.3%36.7%43.3%43.3%价值/0.0%6.7%23.3%23.3%33.3%生命周期10.0%6.7%6.7%13.3%分析师覆盖度TO20_DSATR20_D33.3%46.7%50.40.0%，国联民生证券研究所第三，快分域对因子的影响方向与行为金融学逻辑高度一致。图18以ATR20_DS为例展示代表性因子在不同DS域的表现差异：估值类因子呈现出最显著的单调递增模式：BPDSRankICCR1.18，在高DS域跃升至7.0%（CIR2.24，多头年化IR从-0.10提升至0.68；DP因子同样从2.6%/1.69升至6.4%/2.44。这意味着在量价偏离——度反应而产生了更大的估值折价，为价值因子提供了更丰富的均值回复空间。DS子RET20呈现出显著的单调递增模式：在低DS域IC仅为3.5%，多头IR为-0.21，而在高DS域跃升至9.3%，多头IR1.02，说明与同行偏离越大的股票，短期过度反应后的修正越明显，反转效应越强。相比之下，长期动量因子RET240呈现相反的单调递减模式：在低S域C为1.0%（CIR0.39，而在高S域转为-3.4（CR-1.03R也从-0.56降至-0.84S股票SUE0S域的C分别为3.8%、3.9%DS图18：ATR20_DS分域下代表性因子选股有效性（2008.12-2026.3）低DS中DS高DS低DS中DS高DS低DS中DS高DS低DS中DS高DS低DS中DS高DS低DS中DS高DS低DS中DS高DS低DS中DS高DS低DS中DS高DS低DS中DS高DS低DS中DS高DS低DS中DS高DSBP7%2%05-0.1%0.1%-0.1041976DP0.2588SUE0RET202%-0.21461.0%0.2%0.388-0.-0RET240TO20_STD1.44711.5%2.505212.7%2.06920.7%3.24928.6%1.60521.0%3.24896.8%-0.8417-0.7%-1.0303-3.4%-0.09610.0%0.0617.56383%1.0240.7%2.50519.3%0.450.1.61795.2%-0.1%1.15%3.1.47930.5%516691.612.3%2.16460.6%2.75773.9%0.1%2.62473.8%.68910.4%2.43646.4%0.20.11.86423.2%-0.-0.2%1.69016%2.0.68330.5%2.23537.0%0.11.39873.1.182.测试域 因子简称RankIC均值年化ICIR多头月均超额收益多头年化IR，国联民生证券研究所第四，快分域与慢分域在因子匹配稳定性上形成互补。图19展示了ATR20_DS分域下因子-域匹配关系的稳定性检验结果，与行业板块分域（图12）对比：MOM20_TO、RET20Spearman1.00，DPHSIGMA_FF30.94，RET2400.94DSEP_PECENTLE（0.81G0和P（0.75）也保持了较好的稳定性。ROE_Q平均相关系数为-0.56，ROE_TTM-0.50，GrossMargin_Q-0.250.45，表现更好。图19：ATR20_DS分域下因子-域匹配关系稳定性 ，国联民生证券研究所这一现象的根源在于DS公式采用绝对值归一化，只衡量偏离程度而不区分DSDSz-score2007—2015DS（偏低同行为DSROE的匹配关系更稳定，可使用较长历史数据进行域内估计。图20：ATR20_DS高低域的月振幅差 ，国联民生证券研究所综合来看的下一阶段。前两节的分域方法——无论是基于行业/市值/生命周期的慢分域，还是基于DS为目标？——使域标签本身具有可操作的经济含义因子定价误差因子分类与种子因子选择根据因子的收益模式，我们将主流选股因子分为两大类：1（v（P、EP、反转类（短期收益率反转、低波类（历史波动率低）等。2、趋势型因子（om：捕捉趋势的延续，包括动量类（过去12率、业绩动量类（超预期、盈利增长）等。我们从每类中选取典型因子进行等权合成：（v（账面市值比RET2（OL20（月波动率，取反；趋势类（om：RET240（年度动量、E0（标准化预期外盈利、OEQ（季度OE。每月末，将方向校正后的因子值等权合成为两个大类因子Rev和Mom。方向校正确保所有种子因子在合成前已统一为“值越高、预期收益越高”的正向口径。定价误差与目标变量定义对于每个股票，我们在每月末计算其在大类因子上的定价误差，步骤如下：第一步，数据预处理：对上月末因子值与当月收益率分别进行MAD去极值、Z-score标准化和行业市值中性化。m（取上月末值（取值0~1Qe、QMom、Qret。定价误差定义为因子排名与收益排名的绝对差值：𝑒𝑟𝑟𝑜𝑟𝑅𝑒𝑣=|𝑄𝑅𝑒𝑣−𝑄𝑟𝑒𝑡|，𝑒𝑟𝑟𝑜𝑟𝑀𝑜𝑚=|𝑄𝑀𝑜𝑚−𝑄𝑟𝑒𝑡|——接反映预测精度。第三步，定义目标域：基于两类定价误差，按当月截面的分位数阈值（默认30%，将股票划分为三类：（标签v误差处于当月最低的30（v定价准确，Mom30%（Mom。（标签2m误差处于当月最低的30%v误差不处于30%。均衡域（标签1：其余情况，包括两类因子都准、都不准或居中。y∈{0,1,2}，反映了股票在定价逻辑上的倾向性。图21展示了理想标签下的因子域内表现——BPRankIC-23.7%，ICIR-8.28；RET20IC54.7%，趋势域中降至-15.1%SUE0IC-19.4RET240IC48.2%，在均值回复域降至-26.7%。理想标签下因子的域间差异极为显著，这为有监督学习模型设定了理论上限。4969.41563.0-4969.41563.0--1.9%1585-3.8.3%-均衡域562-6.3-4.8%7939-6.26.7%-RET240均值回复域093311.8.2%.41322754.3%趋势域667-4.1-1.4%0181-5.-6.1%均衡域698-6.0-2.3%.875-10-19.4%SUE0均值回2.2046--1.4%6300-3.-15.1%趋势2.1107--1.2%6550-1.-5.2%均衡域09876.6.2%.25871754.7%RET20均值回复域441-3.0-1.6%1225-3.-10.9%趋势域035-0.3-0.2%70980.2.2%均衡域0685.56.5%.64561446.8%TO20_STD均值回复域227-2.6-1.3%1081-3.-7.3%趋势域1330.8--0.4%06241.1.9%均衡域2514.42.7%38468..7%19DP均值回复域131-5.8-3.5%8.281-23.7%-趋势域6141.8--1.1%9701-0.2.2%-均衡域9828.57.4%.376518.2%47BP均值回复域多头年化IR多头月均超额收益年化ICIRRankIC均值因子简称测试域，国联民生证券研究所特征体系构建源包括三部分：第一部分：量价与基本特征（2个，涵盖量价行为和基本面两大类：/中/余跳空、量价相关性、最大涨幅等；基本面类：盈利能力、成长性、估值、业绩超预期等。第二部分：K线技术特征（lha158，基于日频K线数据构建的技术指标K捕捉个股在微观交易层面的行为特征。第三部分：DSDS（2.2DSDSMAD（3倍Z-score模型训练与滚动预测XGBoost60.050.80.7、10、L115、L220100为避免未来信息，采用扩展窗口的季度滚动训练方式：（36912月据训练模型。训练完成后，用该模型预测下一季度每个月末的截面数据，生成3的分域标签。每季度更新一次模型，既避免了月度更新的计算负担，也保证了模型能较快响应市场风格的变化。实证结果我们使用异质性测试框架检验有监督分域的效果，结果表明：2297.5%，2022-202430.8%37.5TO20_DS63.3%。这说明有监督方法通过引入多维特征和明确的优化目标，捕捉到了更丰富的因子异质性来源。97.5%44.2%58.3%63.3%40.4%%12.1%32.9%97.5%44.2%58.3%63.3%40.4%%12.1%32.9%37.5%30.8平均93.3%53.3%73.3%73.3%40.0%20.0%%50.043.3%10.0%2025-12-31100.0%50.0%66.7%70.0%36.7%%10.056.7%46.7%3%23.2024-12-31100.0%50.0%66.7%66.7%%33.320.0%70.0%43.3%.7%162023-12-29100.0%46.7%56.7%73.3%36.7%%10.0%33.343.3%%33.32022-12-3096.7%46.7%50.0%73.3%46.7%%13.3.3%23%36.7%40.02021-12-3196.7%46.7%53.3%60.0%50.0%7%6..3%23%33.356.7%2020-12-3196.7%40.0%53.3%%50.046.7%7%6.6.7%%26.7%40.02019-12-3196.7%.0%20%46.7%40.0%33.3%10.00.0%%26.77%26.2018-12-28监督学习分域VOL20_DSATR20_DSTO20_DS分析师覆盖度生命周期价值/成长市值行业板块检验日期，国联民生证券研究所图23：有监督学习分域因子-域匹配关系 ，国联民生证券研究所24BPRankIC4.8%ICIR3.1%、ICIR1.76IC2.0%、ICIR0.55，呈现从均值回复域到RET20IC9.7%，趋势域仅1.6O20TDC13.1%，5.1%SUE0IC6.5%，-1.8%3.4%RET240（IC-5.4%，在趋势域接近零，在均衡域微正。上述测试结果反映了两方面信息：一是当前模型对趋势域的预测精度尚有提Alpha均衡域趋势域均衡域趋势域均衡域趋势域均衡域趋势域均衡域趋势域均衡域趋势均衡域趋势域均值回复均衡因子简称RankIC均值年化ICIR多头月均超额收益BPDPRET20TO20_STD4.8%3.1%2.0%5.1%3.5%2.6%9.7%5.8%1.6%13.1%8.5%5.1%-52.17771.75750.55092.30132.18801.27732.47601.75600.5313.0.3%0.6%0.0%0.3%0.1%多头年化IR0.60RET240S，国联民生证券研究所25（中证500占17.3%、中证1000占28.7%，而均衡域的"其它"股票占比最高（62.5%，说明均衡域偏向于非宽基成分股的小盘股。域名沪深300中证500中证1000其它域名沪深300中证500中证1000其它均值回复域9.8%10.3%23.2%56.6%均衡域5.3%9.6%22.6%62.5%趋势域8.2%17.3%28.7%45.8%，国联民生证券研究所262026221131774均值回复域1616只。图26：各域成分股数量变化（只），国联民生证券研究所细节决定成败：域内如何训练？因子在不同域中确实存在显著的表现差异，并基于监督学习分域方式找到了覆盖度高、匹配关系稳定的分域变量。1、数据预处理。在全市场范围内对原始因子进行缺失值填充，异常值缩尾，Z-score标准化及行业市值中性化。2、因子异质性筛选10RankIC35RankRankICIR4、36Rank将负值归零后归一化，作为当月的因子权重。5、得分合成：全域模型：使用全市场数据，按照上述流程得到每只股票的复合因子得分，并在全市场范围内进行标准化。分域模型：在每个域内独立执行上述筛选与加权流程，得到域内的复合因子得分。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2760%，均衡域相对走平，均值回复域则持续跑输基准，累计超额降至约-110%。域间如此悬殊的Alpha差异，2829若采用域内因子标准化后对各域股票得分简单拼接间趋于均衡，基本丧失跨域配置能力。图27：不同域的累计超额收益 ，国联民生证券研究所图28：全域复合因子多头组合分域数量占比 图29：分域复合因子多头组合分域数量占比 国民证研所 国民证研所间配置的能力：设计一：取消域内二次标准化直接使用域内模型计算出的原始得分进行跨域拼接，不再对各域得分单独做Z-score——得分整体Alpha水位信息。设计二：叠加域Alpha动量信号够动态感知域间的Alpha12对全市场等权基准的超额收益夏普比，在横截面上进行Z-score月的域Alpha值；随后将其叠加至股票得分：𝑆{𝑓𝑖𝑛𝑎𝑙}=𝑆{𝑟𝑎𝑤}+𝜆∗𝑆{𝑑𝑜𝑚𝑎𝑖𝑛}𝑖 𝑖 𝑖其中λ0.25动量效应，两项设计相辅相成：取消域内标准化保留域间的整体水位差异，域Alpha调整则进一步在边际上放大近期表现优异的域的信号强度。益端改善尤为显著。全市场层面，改进后的分域复合整体优于全域复合。RankIC均值由10.8%小幅提升至11.0%，年化ICIR由3.9370升至4.0259；收益端改善更为明显，31.934.710.712.8头信息比也升至2.7433。这说明两步法在保留原始Alpha选股能力的同时，能够进一步补充分域层面的配置信息。500。改进后分域复合的RankIC均值达到8.1%CIR升至2.90316.1%提高至9.2%，1.37672.1017，相对回撤也由-4.4%收窄至-2.7Alpha1000RankIC均值和CR9.9%提升至12.21.8645，相对回撤由-8.8%改善至-6.13004.04.7%，但多头信息Alpha差异有限有关。综合来看，两步改进的核心价值在于：通过保留域间得分差异并叠加域Alpha动量信号，分域模型重新获得了域间配置的能力，不再仅仅依赖域内因子的预测精度，还能够利用域本身的历史Alpha趋势。这一机制在中小盘股票中效果尤为显著，因为中小盘的域间Alpha分化更为明显，域择时信号的边际贡献更大。图30：基于两步法改进后的分域复合因子在不同指数域内的有效性汇总（2018.12.28-2026.3.31） 全市场因子简称RankIC均值年化ICIRIC月胜率多空年化最大回撤多头年化超额多头年化信息比多头相对回撤分域复合11.0%4.025990.8%34.7%-11.4%12.8%2.7433-4.4%全域复合10.8%3.937089.7%31.9%-10.1%10.7%2.0442-5.0%沪深300因子简称RankIC均值年化ICIRIC月胜率多空年化最大回撤多头年化超额多头年化信息比多头相对回撤分域复合5.1%2.040873.6%8.4%-18.0%4.7%0.9445-8.4%全域复合5.2%1.919967.8%6.9%-16.9%4.0%0.9699-5.3%中证500因子简称RankIC均值年化ICIRIC月胜率多空年化最大回撤多头年化超额多头年化信息比多头相对回撤分域复合8.1%2.903177.0%13.7%-7.69.2%2.1017-2.7%全域复合7.3%2.540581.6%10.1%-14.8%6.1%1.3767-4.4%中证1000因子简称RankIC均值年化ICIRIC月胜率多空年化最大回撤多头年化超额多头年化信息比多头相对回撤分域复合10.6%3.577187.4%32.9%-14.0%12.2%1.8645-6.1%全域复合10.5%3.567189.7%30.8%-13.3%9.9%1.6212-8.8%，国联民生证券研究所分域模型在指数增强策略中的应用为更客观地考察复合因子对多因子模型的贡献，后文将通过更贴近实战的方式考察因子的有效性，主要结合沪深300、中证500和中证1000指数增强模型进行判断。对分域复合因子和全域复合因子构建指数增强组合，具体细节如下：参数项约束条件股票池沪深300/中证500/中证1000成分股，剔除ST、涨跌停、停牌、上市不满180参数项约束条件股票池沪深300/中证500/中证1000成分股，剔除ST、涨跌停、停牌、上市不满180天的股票回测区间2019年1月1日-2026年3月31日调仓频率月末调仓基准申万一级行业、市值暴露、个股权重均以对应宽基指数为基准权重约束个股偏离幅度0.8%/0.5%，行业暴露偏离2%，市值暴露偏离0.2，其余Barra风格暴露偏离0.5成交价格收盘价交易费用及仓位双边千三，满仓调仓策略以复合因子作为Alpha得分，在风险约束的条件下最大化复合因子暴露，求解股票的最优权重国联民生证券研究所绘制优化模型如下所示：𝑚𝑎𝑥𝛼𝑇𝑤𝑆𝑡𝑦𝑙𝑒𝑙≤𝑋(𝑤−𝑤𝑏)≤𝑆𝑡𝑦𝑙𝑒ℎ 𝐼𝑛𝑑𝑙≤𝐼𝑛𝑑(𝑤−𝑤𝑏)≤𝐼𝑛𝑑ℎ ≤𝑤−≤0≤𝑤≤ℎ 1𝑇𝑤=1 50020263315008.8%1.74，相对回撤为-5.9%，全面优于全域增强策略；在3.6略之上，尤其在2024年9月以来的修复行情中净值弹性更强，说明域内Alpha与域间配置信号结合后，在中盘股票池中能够提供稳定的增量收益。500201920202021202320242025以及2026年一季度均跑赢全域增强策略，仅2022年略低0.7个百分点。2020年和2024年的优势最为明显，分域策略超额收益分别领先全域策略10.9%和6.3%。图31：中证500指数增强策略历史净值走势（2018.12.28-2026.3.31） ，国联民生证券研究所中证500分域增强策略中证500全域增强策略分域策略-全域策略图32：中证500指数增强策略分年度表现对比 中证500分域增强策略中证500全域增强策略分域策略-全域策略年份超额收益信息比相对回撤超额收益信息比相对回撤超额收益信息20197.5%1.7216-4.0%5.2%1.1090-4.2%2.3%202014.3%2.6931-3.3%3.4%0.6580-6.3%202112.0%2.2882-2.8%8.9%1.567020225.1%1.3707-2.9%5.7%20236.9%1.7849-2.2%202414.5%2.43542025-1.3%-20260331，国联民生证券研究所100020263311000额收益达到11.42.17-7.39.5%、1.7682和-8.1%1.80.4015和0.8个百分点。2020分年度来看，中证1000分域策略在2019、2020、2022、2023、2024和20252026201920202023年的分域贡献较高，分别带来3.6、9.7和3.2个百分点的超额收益增量；2022、20242025500，但方向上仍较为稳定。图33：中证1000指数增强策略历史净值走势（2018.12.28-2026.3.31） ，国联民生证券研究所中证1000分域增强策略中证1000全域增强策略分域策略-全域策略图34：中证1000指数增强策略分年度表现对比 中证1000分域增强策略中证1000全域增强策略分域策略-全域策略年份超额收益信息比相对回撤超额收益信息比相对回撤超额收益信息201915.2%3.6896-4.2%11.6%2.7531-3.3%3.6%202020.2%3.5601-4.1%10.5%1.8215-5.4%20216.4%1.1248-7.0%9.7%1.6472202212.2%2.8736-1.8%12.0%202311.0%2.7612-2.6%20249.4%1.558020250.5%20260331，国联民生证券研究所总结与思考以下从三方面对本文结论进行总结。分域有效性检验：将"分域是否有用"前移为事前统计诊断校正"的异质性检验框架：置换检验通过随机打乱域标签构造零分ICSpearman——30.8%的因子通从无目标的静态切分到有目标的动态分域（与因子收益波动频率错配无法回答"当前哪类股票适合哪类定价逻辑"。本文针对这两点分别推进：一DS（TO20_DS显著高于传统（行业板块30.8%域的异质性覆盖度高达97.5%，远超传统行业板块（30.8%）和DS快变量（O20S63.3%，且绝大多数因子的前后半段匹配稳定性earman系数均（BP、RET20）在均值回复域显著最强，趋势类因子（SUE0）优，印证了监督学习分域能够准确、稳定地刻画因子与定价环境之间的关联。Alpha分域后的核心不是简单拼接，而是"域内训练+域间组合"共同决定最终效果。域内标准化虽能强化各域内部的相对排序，却会抹平域与域之间的Alpha强弱差AlphaAlphaRankIC10.8%提升至11.0%，年化ICIR由3.94提升至4.03，多头年化超额由10.7%提升至50010009.212.220263315008.8%、信息比1.74-5.9%5.2%1.02和-9.2%1000分域增强年化超额11.4%、信息比2.17、相对回撤-7.3%，同样优于全域增强表现。分域模型的真正价值不只在于提升域内选股精度，更在于把域本身的Alpha差异转化为组合配置收益。图35：分域选股全流程方法论框架示意图 国联民生证券研究所绘制未来展望：Rev/Mom定价误差从简单离散分类Alpha第二，进一步完善域间组合和产品化应用。两步法已经说明域间AlphaAlphaAlpha500和中证1000益更容易释放，沪深300则需要更精细的域定义和更强风险约束。后续应围绕宽Alpha附录监督学习分域特征明细如下：因子简称因子释义类型BP股东权益合计(不含少数股东权益)_最新财报/总市值因子简称因子释义类型BP股东权益合计(不含少数股东权益)_最新财报/总市值价值DNI股息支付率价值DP股息率价值EP归母净利润_TTM/总市值价值EP_PERCENTILEEP_TTM一年时序标准分价值OCFP经营活动产生的现金流量净额_TTM/总市值价值PB_ROEPB排序-单季ROE排序价值SP营业收入_TTM/总市值价值SP_Q单季度营业收入/总市值价值Acct_Turnover_Q_YoY单季度应收账款周转率同比变化成长Asset_Turnover_Q_YoY单季度总资产周转率同比变化成长Inv_Turnover_Q_YoY单季度存货周转率同比变化成长JUMP_LOW盈余公告日股价跳空（最低/前收）成长JUMP_OPEN盈余公告日股价跳空（开盘/前收）成长JUMP_TURN盈余公告日换手率成长NET_PROFIT_TTM_YOY归母净利润TTM同比增长率成长OPER_REV_TTM_YOY营业收入TTM同比增长率成长ROA_Q_YoY单季度ROA同比变化成长ROE_Q_YoY单季度ROE同比变化成长SUE0（单季归母净利润-预期归母净利润）/过去预期外利润的标准差，含漂移项成长SUR0（单季营业收入-预期营业收入）/过去预期外营业收入标准差，含漂移项成长CFROA经营现金流/总资产盈利NETPROFITMARGIN_Q单季度净利率盈利ROE_Q