量化因子分域選股實(shí)戰(zhàn)：從異質(zhì)性檢驗(yàn)到監(jiān)督學(xué)習(xí)分域

背景：傳統(tǒng)量化選股模型的困境與分域選股的興起

在A股市場(chǎng)，不同類型股票在行業(yè)屬性、生命周期、商業(yè)模式及投資者結(jié)構(gòu)等方面存在顯著差異。傳統(tǒng)的全域多因子選股模型往往通過“平均化”處理來捕捉共性信號(hào)，這種粗粒度的建模方式不可避免地忽略了股票子集中存在的局部結(jié)構(gòu)差異，導(dǎo)致模型錯(cuò)失精細(xì)化的定價(jià)機(jī)會(huì)。實(shí)證數(shù)據(jù)顯示，線性多因子中證500增強(qiáng)策略的超額收益自2016年以來雖表現(xiàn)優(yōu)異，但2020年后中樞明顯下移，2025年以來更是幾乎與基準(zhǔn)持平。這一現(xiàn)象的深層原因并非簡(jiǎn)單的市場(chǎng)有效性提升或因子擁擠，而是因子收益在橫截面層面的結(jié)構(gòu)性分化日趨加劇——因子在股票橫截面上的有效性高度依賴于股票所處的“域”。

行為金融學(xué)指出，不同股票域聚集著不同類型的投資者群體，其認(rèn)知偏差與交易模式存在系統(tǒng)性差異，導(dǎo)致因子有效性天然依賴于其所處的投資者行為環(huán)境。資產(chǎn)定價(jià)理論也表明，不同域的股票對(duì)宏觀經(jīng)濟(jì)變量、流動(dòng)性沖擊等具有不同的敏感度。因此，分域選股通過引入因子的“條件變量”，隔離不同域間的相互干擾，成為系統(tǒng)化捕捉Alpha的必由之路。分域選股的核心價(jià)值在于實(shí)現(xiàn)三重提升：優(yōu)化因子合成權(quán)重以緩解時(shí)序波動(dòng)、針對(duì)性捕捉特定風(fēng)格的結(jié)構(gòu)性機(jī)會(huì)、以及服務(wù)于指數(shù)增強(qiáng)等特定產(chǎn)品需求。

核心內(nèi)容：分域選股框架的三大核心環(huán)節(jié)

構(gòu)建一套完整的分域選股框架，需解決橫截面分域、域內(nèi)訓(xùn)練與域間組合三個(gè)核心問題。

第一，橫截面分域：量化評(píng)估分域有效性。分域的第一步是確定科學(xué)的分域特征，并通過統(tǒng)計(jì)檢驗(yàn)判斷該分域方式是否能顯著區(qū)分因子的預(yù)測(cè)能力。本文提出“置換檢驗(yàn)+BH校正”的因子分域異質(zhì)性檢驗(yàn)框架。置換檢驗(yàn)通過隨機(jī)打亂域標(biāo)簽構(gòu)造零假設(shè)分布，無需對(duì)數(shù)據(jù)分布作先驗(yàn)假設(shè)，即可判斷因子跨域差異是否顯著偏離隨機(jī)情況；BH校正則在多因子同時(shí)檢驗(yàn)時(shí)控制假發(fā)現(xiàn)率，避免數(shù)據(jù)挖掘。以申萬一級(jí)行業(yè)合并的六大板塊為例，每年約30.8%的因子通過顯著性檢驗(yàn)，表明板塊分域?qū)σ蜃宇A(yù)測(cè)能力的差異具有一定的解釋力。此外，還需進(jìn)行因子-域匹配關(guān)系穩(wěn)定性檢驗(yàn)，通過計(jì)算前后半段域間排序的Spearman相關(guān)系數(shù)，識(shí)別匹配關(guān)系穩(wěn)定的高置信度因子，為域內(nèi)訓(xùn)練提供依據(jù)。

第二，如何分域：從靜態(tài)屬性到有目標(biāo)的動(dòng)態(tài)識(shí)別。傳統(tǒng)分域（如行業(yè)、市值）變化緩慢，與因子收益波動(dòng)存在頻率錯(cuò)配，且缺乏明確的選股目標(biāo)。為此，本文提出兩種進(jìn)階分域方法：一是DS快變量分域，以股票相對(duì)同行在波動(dòng)率、振幅、換手率等量?jī)r(jià)維度的短期偏離程度（Deviation Significance, DS）作為分域依據(jù)。實(shí)證顯示，TO20_DS等快分域指標(biāo)的長(zhǎng)期平均顯著因子比例達(dá)63.3%，遠(yuǎn)超傳統(tǒng)慢分域，且跨周期穩(wěn)定性更強(qiáng)。二是監(jiān)督學(xué)習(xí)分域，以代表性均值回復(fù)因子與趨勢(shì)因子的定價(jià)誤差為目標(biāo)標(biāo)簽，直接學(xué)習(xí)“哪類股票更適合反轉(zhuǎn)定價(jià)、哪類更適合趨勢(shì)定價(jià)”。該方法利用XGBoost模型，結(jié)合量?jī)r(jià)、基本面及Alpha158等技術(shù)特征，將股票劃分為均值回復(fù)域、趨勢(shì)域和均衡域。實(shí)證結(jié)果顯示，監(jiān)督學(xué)習(xí)分域的異質(zhì)性覆蓋度高達(dá)97.5%，且絕大多數(shù)因子的匹配穩(wěn)定性Spearman系數(shù)均為1.00，能夠準(zhǔn)確、穩(wěn)定地刻畫因子與定價(jià)環(huán)境之間的關(guān)聯(lián)。

第三，如何應(yīng)用：域內(nèi)訓(xùn)練與域間組合。分域后的核心挑戰(zhàn)在于如何保留域間的Alpha差異。常規(guī)分域復(fù)合因域內(nèi)標(biāo)準(zhǔn)化會(huì)抹平域與域之間的收益水平差異，導(dǎo)致模型喪失跨域配置能力。本文提出“取消域內(nèi)二次標(biāo)準(zhǔn)化+疊加域Alpha動(dòng)量信號(hào)”的兩步法改進(jìn)。取消域內(nèi)標(biāo)準(zhǔn)化直接保留域間Alpha差異，疊加域Alpha動(dòng)量信號(hào)則主動(dòng)為每只股票疊加其所在域的近期表現(xiàn)信號(hào)，使模型能夠動(dòng)態(tài)感知域間的Alpha強(qiáng)弱變化。改進(jìn)后，分域模型在全市場(chǎng)及主要寬基指數(shù)上的表現(xiàn)均優(yōu)于全域模型。

數(shù)據(jù)與中觀支撐：分域模型的實(shí)證效果

在因子測(cè)試層面，改進(jìn)后的分域復(fù)合因子在全市場(chǎng)的Rank IC均值由全域的10.8%提升至11.0%，年化ICIR由3.94升至4.03，多頭年化超額由10.7%提升至12.8%。在中證500指數(shù)中，分域復(fù)合因子的Rank IC均值達(dá)到8.1%，年化ICIR升至2.90，多頭年化超額由全域的6.1%提高至9.2%，信息比從1.38提升至2.10，相對(duì)回撤由-4.4%收窄至-2.7%。在中證1000指數(shù)中，多頭年化超額由9.9%提升至12.2%，信息比升至1.86，相對(duì)回撤由-8.8%改善至-6.1%。

在指數(shù)增強(qiáng)策略應(yīng)用層面，截至2026年3月31日，中證500分域增強(qiáng)策略年化超額收益達(dá)到8.8%，信息比為1.74，相對(duì)回撤為-5.9%，全面優(yōu)于全域增強(qiáng)策略的5.2%、1.02和-9.2%。中證1000分域增強(qiáng)策略年化超額收益達(dá)到11.4%，信息比為2.17，相對(duì)回撤為-7.3%，同樣優(yōu)于全域增強(qiáng)策略的9.5%、1.77和-8.1%。分域策略在2020年和2024年的結(jié)構(gòu)性行情中優(yōu)勢(shì)尤為明顯，分別領(lǐng)先全域策略10.9%和6.3%。這表明在中小盤股票池中，域間Alpha差異與域內(nèi)選股能力具有較強(qiáng)互補(bǔ)性，分域信息能夠穩(wěn)定轉(zhuǎn)化為組合收益。

結(jié)論與價(jià)值：分域選股是提升量化策略效能的關(guān)鍵路徑

本文構(gòu)建了一套從分域檢驗(yàn)、分域生成到分域應(yīng)用的完整研究框架。研究表明，傳統(tǒng)的靜態(tài)分域方式存在覆蓋度低、穩(wěn)定性差等缺陷，而基于行為偏差的快分域和基于監(jiān)督學(xué)習(xí)的多維分域能夠顯著提升因子異質(zhì)性的識(shí)別能力。特別是監(jiān)督學(xué)習(xí)分域，其高達(dá)97.5%的異質(zhì)性覆蓋度和極高的匹配穩(wěn)定性，為精準(zhǔn)選股提供了堅(jiān)實(shí)基礎(chǔ)。此外，通過取消域內(nèi)標(biāo)準(zhǔn)化并疊加域Alpha動(dòng)量信號(hào)，分域模型成功保留了域間配置收益，在中證500和中證1000增強(qiáng)策略中實(shí)現(xiàn)了顯著的超額收益提升。未來，隨著市場(chǎng)結(jié)構(gòu)的演變，分域選股模型需進(jìn)一步優(yōu)化標(biāo)簽定義和域間組合機(jī)制，以適應(yīng)更復(fù)雜的市場(chǎng)環(huán)境。