量化因子分域选股实战：从异质性检验到监督学习分域

背景：传统量化选股模型的困境与分域选股的兴起

在A股市场，不同类型股票在行业属性、生命周期、商业模式及投资者结构等方面存在显著差异。传统的全域多因子选股模型往往通过“平均化”处理来捕捉共性信号，这种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结构差异，导致模型错失精细化的定价机会。实证数据显示，线性多因子中证500增强策略的超额收益自2016年以来虽表现优异，但2020年后中枢明显下移，2025年以来更是几乎与基准持平。这一现象的深层原因并非简单的市场有效性提升或因子拥挤，而是因子收益在横截面层面的结构性分化日趋加剧——因子在股票横截面上的有效性高度依赖于股票所处的“域”。

行为金融学指出，不同股票域聚集着不同类型的投资者群体，其认知偏差与交易模式存在系统性差异，导致因子有效性天然依赖于其所处的投资者行为环境。资产定价理论也表明，不同域的股票对宏观经济变量、流动性冲击等具有不同的敏感度。因此，分域选股通过引入因子的“条件变量”，隔离不同域间的相互干扰，成为系统化捕捉Alpha的必由之路。分域选股的核心价值在于实现三重提升：优化因子合成权重以缓解时序波动、针对性捕捉特定风格的结构性机会、以及服务于指数增强等特定产品需求。

核心内容：分域选股框架的三大核心环节

构建一套完整的分域选股框架，需解决横截面分域、域内训练与域间组合三个核心问题。

第一，横截面分域：量化评估分域有效性。分域的第一步是确定科学的分域特征，并通过统计检验判断该分域方式是否能显著区分因子的预测能力。本文提出“置换检验+BH校正”的因子分域异质性检验框架。置换检验通过随机打乱域标签构造零假设分布，无需对数据分布作先验假设，即可判断因子跨域差异是否显著偏离随机情况；BH校正则在多因子同时检验时控制假发现率，避免数据挖掘。以申万一级行业合并的六大板块为例，每年约30.8%的因子通过显著性检验，表明板块分域对因子预测能力的差异具有一定的解释力。此外，还需进行因子-域匹配关系稳定性检验，通过计算前后半段域间排序的Spearman相关系数，识别匹配关系稳定的高置信度因子，为域内训练提供依据。

第二，如何分域：从静态属性到有目标的动态识别。传统分域（如行业、市值）变化缓慢，与因子收益波动存在频率错配，且缺乏明确的选股目标。为此，本文提出两种进阶分域方法：一是DS快变量分域，以股票相对同行在波动率、振幅、换手率等量价维度的短期偏离程度（Deviation Significance, DS）作为分域依据。实证显示，TO20_DS等快分域指标的长期平均显著因子比例达63.3%，远超传统慢分域，且跨周期稳定性更强。二是监督学习分域，以代表性均值回复因子与趋势因子的定价误差为目标标签，直接学习“哪类股票更适合反转定价、哪类更适合趋势定价”。该方法利用XGBoost模型，结合量价、基本面及Alpha158等技术特征，将股票划分为均值回复域、趋势域和均衡域。实证结果显示，监督学习分域的异质性覆盖度高达97.5%，且绝大多数因子的匹配稳定性Spearman系数均为1.00，能够准确、稳定地刻画因子与定价环境之间的关联。

第三，如何应用：域内训练与域间组合。分域后的核心挑战在于如何保留域间的Alpha差异。常规分域复合因域内标准化会抹平域与域之间的收益水平差异，导致模型丧失跨域配置能力。本文提出“取消域内二次标准化+叠加域Alpha动量信号”的两步法改进。取消域内标准化直接保留域间Alpha差异，叠加域Alpha动量信号则主动为每只股票叠加其所在域的近期表现信号，使模型能够动态感知域间的Alpha强弱变化。改进后，分域模型在全市场及主要宽基指数上的表现均优于全域模型。

数据与中观支撑：分域模型的实证效果

在因子测试层面，改进后的分域复合因子在全市场的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，多头年化超额由10.7%提升至12.8%。在中证500指数中，分域复合因子的Rank IC均值达到8.1%，年化ICIR升至2.90，多头年化超额由全域的6.1%提高至9.2%，信息比从1.38提升至2.10，相对回撤由-4.4%收窄至-2.7%。在中证1000指数中，多头年化超额由9.9%提升至12.2%，信息比升至1.86，相对回撤由-8.8%改善至-6.1%。

在指数增强策略应用层面，截至2026年3月31日，中证500分域增强策略年化超额收益达到8.8%，信息比为1.74，相对回撤为-5.9%，全面优于全域增强策略的5.2%、1.02和-9.2%。中证1000分域增强策略年化超额收益达到11.4%，信息比为2.17，相对回撤为-7.3%，同样优于全域增强策略的9.5%、1.77和-8.1%。分域策略在2020年和2024年的结构性行情中优势尤为明显，分别领先全域策略10.9%和6.3%。这表明在中小盘股票池中，域间Alpha差异与域内选股能力具有较强互补性，分域信息能够稳定转化为组合收益。

结论与价值：分域选股是提升量化策略效能的关键路径

本文构建了一套从分域检验、分域生成到分域应用的完整研究框架。研究表明，传统的静态分域方式存在覆盖度低、稳定性差等缺陷，而基于行为偏差的快分域和基于监督学习的多维分域能够显著提升因子异质性的识别能力。特别是监督学习分域，其高达97.5%的异质性覆盖度和极高的匹配稳定性，为精准选股提供了坚实基础。此外，通过取消域内标准化并叠加域Alpha动量信号，分域模型成功保留了域间配置收益，在中证500和中证1000增强策略中实现了显著的超额收益提升。未来，随着市场结构的演变，分域选股模型需进一步优化标签定义和域间组合机制，以适应更复杂的市场环境。