量化分域選股框架中，如何評估分域有效性并實現域間Alpha差異的保留？

評估分域有效性是構建分域選股模型的基礎。本文提出“置換檢驗+BH校正”框架：置換檢驗通過隨機打亂域標簽構造零假設分布，無需分布假設即可判斷因子跨域差異是否顯著；BH校正控制多因子檢驗下的假發現率。以行業板塊為例，每年約30.8%的因子通過檢驗，且需進一步通過匹配關系穩定性檢驗篩選高置信度因子。 傳統分域（如行業、市值）存在變化緩慢、與因子收益波動頻率錯配以及缺乏明確選股目標等局限。為解決這些問題，本文提出兩種進階方法：一是DS快變量分域，利用股票相對同行在量價維度的短期偏離程度（如TO20_DS）作為分域依據，其異質性覆蓋度達63.3%，且跨周期穩定性強；二是監督學習分域，以均值回復和趨勢因子的定價誤差為目標標簽，利用XGBoost模型直接學習股票適合的定價邏輯，其異質性覆蓋度高達97.5%，匹配穩定性極高。 在應用層面，常規分域模型因域內標準化會抹平域間Alpha差異，導致喪失跨域配置能力。本文提出兩步法改進：首先取消域內二次標準化，直接保留域間Alpha水位差異；其次疊加域Alpha動量信號，動態感知域間強弱變化。實證顯示，改進后中證500分域增強策略年化超額收益提升至8.8%，信息比升至1.74，顯著優于全域模型的5.2%和1.02。中證1000分域增強策略年化超額收益提升至11.4%，信息比升至2.17。這表明分域選股不僅能提升域內選股精度，更能將域間Alpha差異轉化為組合配置收益。