量化选股系列分析报告：分域法改进因子的新尝试.pdfVIP

2024年10月27日

金融工程

分域法改进因子的新尝试

——量化选股系列报告之十五

要点

因子分域研究前景广阔

因子分域的研究在市场中由来已久，因子分域研究被广泛应用于选股、资产配置

等方面。通过对股票进行因子分域，可以识别出不同分域内股票的独特性和优势。

分域思想的本质是基于不同市场环境中，数据表达的信息不同，采用差异化的方

式处理因子来更有效的表达因子信息。

在实证研究中，不少案例证明了因子分域研究的有效性。例如对于估值因子来说，

市值风格就是一个有效的分域。在前期报告中，我们介绍了因子分域研究框架。

在多因子框架下，分域一般会应用在两个步骤中：因子计算和因子合成。本篇报

告将聚焦于因子计算中分域法的应用。

基于遗传算法的分域尝试相关研报

一般提到分域研究，普遍的做法是在不同行业内对因子做不同处理，这种方式属日内收益的精细切分：提炼动量与反转效应——

于截面分域。我们认为在时间序列上也存在分域效应。我们以估值因子和早盘收量化选股系列报告之二（2021-10-22）

益因子为案例，讨论了两种分域方式——截面分域和时序分域，并给出了两种分因子分域初探：确定分域方式——量化选股系列

域方式的逻辑。报告之十四（2024-09-27）

以上两种分域方式中，除了人工挖掘因子外，我们同样可以借助算法来挖掘潜在

的因子。本文借助遗传规划算法来进行分域尝试。首先基于遗传规划算法进行分

域因子生成，并基于成熟的遗传规划库做出深度改进。最后，我们测试了基于遗

传规划算法生成的分域因子，结果表明，因子分域后的提升效果显著。

实证方式论证了因子分域的有效性

我们从时序分域和截面分域两个维度入手，借助遗传规划算法批量挖掘了未知的

分域因子，并从中挑选了部分结果作为代表，进行展示。

在截面分域部分，对营收同比因子、净利润同比因子和反转因子改进后，因子提

升效果明显，平均周频RankIC分别从0.8%、1.25%和3.77%，提升到了6.68%、

8.31%和8.03%。

在时序分域部分，对反转因子、尾盘收益因子和振幅因子改进后，因子提升效果

明显，平均周频RankIC分别从4.96%、4.89%和6.12%，提升到了8.45%、

7.85%和6.92%。

风险分析：报告结果均基于模型及历史数据，模型存在失效的风险，历史数据存

在不被重复验证的可能。

-1-证券研究报告

金融工程

目录

1、因子分域建模的逻辑5

1.1分域法对估值因子的修复5

1.2分域法对动量因子的修复7

2、分域法因子改进研究框架8

2.1截面分域概述8

2.2时序分域概述9

2.3分域法因子改进研究框架10

3、遗传规划的分域尝试11

3.1遗传规划算法概览11

3.1.1遗传规划的数学表达11

3.1.2交叉12

3.1.3子树变异12

3.1.4点变异13

3.1.5Hoist变异13

3.2算法改进：构建分域方程14

3.3模型参数15

4、截面分域改进因子展示16

4.1营收同比因子改进16

4.2净利润同比因子改进17

4.3反转因子改进18

5、时序分域改进因子展示20

5.1反转因子改进20

5.2尾盘收益因子改进21

5.3振幅因子改进22

6、总结23

7、风险提示24

-2-