量化选股系列报告之十四-因子分域初探：确定分域方式.docxVIP

目 录

TOC\o1-3\h\z\u1、因子分域建模的逻辑 4

2、因子分域建模应用场景综述 6

因子计算 6

截面分域 6

时序分域 7

因子合成 10

多模型拟合 10

分域合成 12

3、总结 14

4、风险提示 15

图目录

图1：反转因子-净值曲线 4

图2：反转因子分域多空组合净值对比 4

图3：反转因子分域多头组净值对比 5

图4：反转因子分域空头组净值对比 5

图5：因子分域框架 5

图6：估值因子-净值曲线 6

图7：估值因子分域多空组合净值对比 6

图8：市值加权估值因子多空组合净值对比 7

图9：早盘收益因子-分组净值曲线 8

图10：早盘收益因子多空组合净值曲线 8

图11：改进早盘收益因子-分组净值曲线 8

图12：改进早盘收益因子多空组合净值曲线 8

图13：反转因子-分组净值曲线 9

图14：改进反转因子-分组净值曲线 9

图15：反转因子和改进反转因子多空组合净值曲线 9

图16：反转因子和改进反转因子多头组净值对比 9

图17：因子多头组净值 10

图18：等权因子和加权因子多头组净值对比 10

图19：非线性因子转换为线性因子图示 11

图20：因子分域建模图示 11

图21：同花顺量化因子数据库 12

图22：同花顺量化因子多空组合净值曲线 13

图23：风格因子分域结果展示（RankIC） 13

图24：同花顺量化因子-分域多空组合净值曲线对比 14

表目录

表1：估值因子业绩指标对比 6

表2：市值加权估值因子业绩指标对比 7

表3：早盘收益因子业绩指标对比 8

表4：反转因子业绩指标对比（多空组合） 9

表5：反转因子业绩指标对比（多头组） 10

表6：因子说明 10

表7：同花顺量化因子说明 12

表8：同花顺量化因子业绩指标对比 13

表9：流动性因子分域同花顺因子业绩对比 14

1、因子分域建模的逻辑

传统多因子模型，是按照股票因子值在全市场对其进行排序，然后打分——这种方式将所有股票同等看待。通常，不同股票的基本面、量价等属性存在较大区别。低估值、规模较大、持续支付股息的蓝筹股，和高估值、规模较小、股息支付不稳定的成长股，可比性较差。因此，对股票分域建模显得尤为重要。

传统分域建模的逻辑是基于不同股票池下因子的表现不同，进而对因子的权重进行重新调整，增厚收益。最常见的是对不同行业使用不同的因子。

按照行业建模的通常做法是不同行业内差异化计算因子，将因子不适用的行业中的股票因子值设置为全市场股票因子值的中位数，然后再进行多因子合成；另一种方式是根据行业内显著有效的因子，对股票单独打分，再汇总所有行业，得到全市场股票的综合得分。

此外，还可以按照盈利等风格特征，将股票划分到不同域。例如60日反转因子

（本章下文简称为“反转因子”），利用“单季度ROE同比”将其分域，可以发现分域前后因子表现区别明显。这样分域的逻辑在于前期超跌的股票，其基本面并没发生明显恶化，其股价后续大概率能反弹回合理的价格区间。

我们按照“单季度ROE同比”从大到小将全市场股票分为2组，分别为Big组和Small组，反转因子在两组股票池中的表现区别明显。可以发现，反转因子多空组合在Small组中表现更佳。详细拆解多空组合收益可以发现，Small组中的空头组，贡献了较多负收益。

图1：反转因子-净值曲线 图2：反转因子分域多空组合净值对比

6 6 7

5

5

4

3

2

1

0

4 5

3 4

2 3

2

1

1

0

0

0

空头组 多头组 多空净值（右轴）

多空组合（单季度ROE同比：Big） 多空组合（单季度ROE同比：Small）

资料来源：，；统计区间：2014.01.03-2024.08.30 资料来源：，；统计区间：2014.01.03-2024.08.30

从绝对收益角度来看，多头组（Big）多头组(Small)，空头组（Big）空头组(Small)。反转因子在结合单季度ROE同比因子后，多头组绝对收益有所提升，但空头组股票，贡献了较多负收益。

由于A股市场做空的限制，采用单季度ROE同比因子对反转因子进行分域的方式，能够提供一定的增量信息，我们认为单季度ROE同比因子明显区分了反转因子。因此，可以按照单季度ROE同比因子将股票分域，然后在单季度ROE同比较高的股票池中提高反转因子权重，单季度ROE同比较低的股票池中降低反转因子权重。

图3：反转因子分域多头组净值对比 图4：反转因子分域空头组净值对比

7

3