因子布阵手册：从“盲打”到“精准”的分域选股实战.pptxVIP

不同定价环境下，同一因子的有效性可能天差地别。本文构建了一套从分域是否有效到如何分域再到如何应用的完整研究框架，系统探索因子定价的横截面异质性及其在选股中的实践价值。

分域有效性检验：将事后回测前移为事前诊断。本文提出置换检验+BH校正的因子分域异质性检验框架，直接回答给定的分域方式是否真正区分了因子的定价能力，而非仅仅依赖最终回测表现进行倒推。置换检验构造因子跨域差异的零假设分布，评估观测到的域间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，避免为分而分的数据挖掘。以板块分域为例，每年约30.8%的因子通过显著性检验，说明该框架能够客观量化分域方式的有效性，为分域变量的选择提供统计依据，而非依赖经验判断。

如何分域：从静态属性到有目标的定价环境识别。本文提出DS快变量分域与监督学习分域方法，分别解决传统分域的两个核心缺陷。传统行业、市值等静态标签变化缓慢，与因子收益波动存在频率错配——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作为分域依据，能够及时捕捉交易行为偏差所引发的定价异质性。传统分域还存在另一个根本缺陷：没有明确的选股目标，无法直接回答哪类股票当前更适合哪类定价逻辑——监督学习分域正是为此而设计，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