量化分域选股框架中，如何评估分域有效性并实现域间Alpha差异的保留？

评估分域有效性是构建分域选股模型的基础。本文提出“置换检验+BH校正”框架：置换检验通过随机打乱域标签构造零假设分布，无需分布假设即可判断因子跨域差异是否显著；BH校正控制多因子检验下的假发现率。以行业板块为例，每年约30.8%的因子通过检验，且需进一步通过匹配关系稳定性检验筛选高置信度因子。 传统分域（如行业、市值）存在变化缓慢、与因子收益波动频率错配以及缺乏明确选股目标等局限。为解决这些问题，本文提出两种进阶方法：一是DS快变量分域，利用股票相对同行在量价维度的短期偏离程度（如TO20_DS）作为分域依据，其异质性覆盖度达63.3%，且跨周期稳定性强；二是监督学习分域，以均值回复和趋势因子的定价误差为目标标签，利用XGBoost模型直接学习股票适合的定价逻辑，其异质性覆盖度高达97.5%，匹配稳定性极高。 在应用层面，常规分域模型因域内标准化会抹平域间Alpha差异，导致丧失跨域配置能力。本文提出两步法改进：首先取消域内二次标准化，直接保留域间Alpha水位差异；其次叠加域Alpha动量信号，动态感知域间强弱变化。实证显示，改进后中证500分域增强策略年化超额收益提升至8.8%，信息比升至1.74，显著优于全域模型的5.2%和1.02。中证1000分域增强策略年化超额收益提升至11.4%，信息比升至2.17。这表明分域选股不仅能提升域内选股精度，更能将域间Alpha差异转化为组合配置收益。