因子布阵手册：从“盲打”到“精准”的分域选股实战

国联民生叶尔乐 2026-06-30 置信度: high

综合质量 5 /5

新颖性 4 /5

可复现性 4 /5

核心内容

系统构建了从分域有效性检验、分域方式选择到域内训练与域间组合的分域选股闭环框架。引入非参数检验（置换检验）控制随机性，BH校正控制多重检验假阳性，并提出IC绝对值与域内排名双重检验体系，客观量化分域方式的有效性。在应用层提出取消域内二次标准化的两步法，直接保留域间Alpha差异以转化为配置收益。

经济逻辑

不同股票域聚集了不同投资者群体，其认知偏差与交易模式存在系统性差异（行为金融学视角）；同时不同资产对宏观变量和流动性冲击的敏感度不同（ICAPM视角）。这导致同一因子在不同域内的定价能力具有横截面异质性，传统全域模型会平均化掉这种局部结构，分域建模可隔离干扰并释放局部预测力。

超额收益逻辑

通过分域剥离了不同域间的相互干扰，在特定域内更精准释放因子预测力；同时利用不同域的Alpha收益分化（如趋势域累计超额达60%，均值回复域跑输基准约110%），通过取消域内二次标准化将此域间差异转化为配置收益，并叠加域Alpha动量信号进一步增强。

构造细节 [model]

模型架构

两步法分域增强框架：1. 预检验层(置换检验+BH校正+域内排名转换)；2. 组合层(域内独立训练+取消域间二次标准化+叠加域Alpha动量)。

输入

各因子月度分域Rank IC矩阵各因子置换检验p值序列域内因子排名矩阵域Alpha动量信号

输出

各域选股得分及最终组合权重

训练

每年末滚动进行：利用过去10年月度分域Rank IC计算跨域方差统计量，1000次置换打乱IC标签生成零分布，计算p值；对多因子p值序列采用BH方法按阈值筛选；各域内使用筛选后因子独立训练，域间不进行标准化直接合成。

数据输入

: (月度): (低频)

组合方式

域内独立筛选与训练，域间取消二次标准化并叠加Alpha动量信号进行等权或优化加权组合。

绩效

5.2%

全域年化超额收益

1.02

全域信息比

-9.2%

全域相对回撤

8.8%

分域增强年化超额收益

1.74

分域增强信息比

-5.9%

分域增强相对回撤

基准: 中证500

回测期: 2016年以来(部分指标)

以中证500为例，采用分域增强策略后，年化超额收益由全域的5.2%提升至8.8%，信息比由1.02升至1.74，相对回撤由-9.2%收窄至-5.9%。

收益归因

缺口: 报告提及将在后续章节对策略实际效果进行归因分析，但当前提供的文本中未包含具体的归因方法及结果。

稳健性

子样本稳定性: 滚动检验显示每年约30.8%的因子通过显著性检验，2020年结构性行情下达到峰值，2025年降至10.0%，说明板块间定价分化近期有所收敛。

风格偏差: 盈利成长类因子（如OCFP、净利润同比）及部分量价因子（长期动量、特质波动率）跨域差异最稳定，估值类因子跨域差异较小。

通过非参数检验严格剔除随机性，且区分了IC绝对值与排名的系统性差异，方法上较为稳健；但因子-域匹配关系存在跨期方向反转风险，需进一步监控。

数据依赖

所需数据: A股量价数据、财务因子库(约30个主流因子)、申万行业分类数据

可复现性: medium

检验框架需要长期月度IC数据及基础因子库，置换检验与BH校正计算逻辑标准，无特殊数据依赖，复现难度适中。

新颖性评估 [新方法]

创新性地将置换检验与BH校正引入因子分域异质性的事前诊断，并提出了IC绝对值与域内排名双重检验体系，以区分域的整体效应与因子特定偏好；同时在组合应用层提出取消域内二次标准化的两步法。

不足与缺陷

DS快变量分域与监督学习分域在提供的文本中缺少具体构造细节，难以评估其特征工程和过拟合风险
IC序列置换虽计算成本低，但未破坏域结构本身，在域样本量差异悬殊时可能导致偏差
因子-域匹配关系可能出现跨期方向反转，仅靠静态稳定性检验难以应对动态切换

可复用元素

置换检验+BH校正的事前分域有效性检验框架
域内排名转换检验剥离域整体效应的方法
取消域内二次标准化以保留跨域Alpha差异的思路

启发

分域检验框架可推广至除行业外的其他维度（如风格、波动率域）的预评估
对于多因子检验场景，非参数检验方法能有效规避因子非正态分布带来的失真

改进方向

在置换检验构造零假设分布时，采用底层股票池归属随机化（按原始域规模分配）替代IC序列标签打乱

基于: 文本指出打乱IC标签虽成本低，但未破坏域结构本身，且在样本量悬殊时有局限预期收益: 获得更纯粹的域结构破坏效果，使得检验结论对极不均衡域（如大小盘分域）更加稳健

引入在线学习或隐马尔可夫模型动态识别因子-域匹配关系的状态，替代静态滚动窗口检验

基于: 文本提到因子-域匹配关系可能出现跨期反转，传统静态检验无法捕捉动态切换预期收益: 提高分域策略的适应性，减少因关系反转带来的换手损失和回撤

复现计划

1. 收集A股基础因子库（价值、成长、量价等约30个）及申万行业分类，合并为六大板块。2. 计算各因子月末域内Rank IC，生成时间序列。3. 编写代码进行1000次IC标签打乱，计算各域均值方差获取p值。4. 按BH方法校正p值筛选显著因子。5. 构建域内排名转换矩阵重复置换检验。6. 在中证500指数增强中对比全域与分域（取消域内二次标准化）的表现差异。