量化选股系列报告之十四-因子分域初探：确定分域方式-240927-光大证券-16页_1mb

因子分域建模研究总结

研究背景与逻辑

传统多因子模型将股票以其因子值统一排序并打分，未考虑不同股票间的显著差异，例如蓝筹股与成长股的可比性较差。为此，本报告提出因子分域建模，旨在根据不同股票或因子的特征进行差异化分域，以提升因子表现。

因子分域的应用

因子分域主要应用于两个阶段：

1. 因子计算：

   • 截面分域：包括离散型分域（如按行业或风格划分）和连续型分域（如加权计算）。以估值因子为例，按市值大小分域后小市值组表现显著提升。
   • 时间序列分域：通过在时序上对因子进行极值调整（如早盘收益因子），以修复波动特征。

2. 因子合成：

   • 多模型拟合：针对线性与非线性因子差异，采用机器学习模型（如LSTM、Transformer）进行有机组合。
   • 动态分域合成：结合风格因子（如流动性、成长性），在特定分域内优化模型效果，例如，在低流动性领域内对组合表现提升明显。

实证分析与结果

本报告基于大量回测（2014年至今）表明，分域后因子在收益、波动率和夏普比率等方面均有明显提升：

• 估值因子：市值加权分域后总收益从21.37%提升至34.63%，周频RankIC也大幅提升。
• 早盘收益因子：时序调整后呈现稳定动量特征，年化收益由-843%提升至1389%。
• 同花顺量化因子：流动性分域后，组合收益从67%增至95%，夏普比率显著提高。

总结与展望

本研究通过多维度分域探索表明，传统模型对股票的“统一处理”存在较大局限，而分域建模能够根据市场异质性显著提升因子有效性与投资组合表现。随着因子复杂性和市场结构变化，未来研究方向包括多域动态合成、非线性因子建模优化，以及结合场景的个性化策略设计。

风险提示

尽管历史回测表现优异，但该方法的推断能力无法完全保证未来效果，尤其在市场风格变化或因子滥用情况下，需持续监控与验证。