量化研究系列报告：因材施“策”，量化视角下的因子舒适区探寻与应用.pdf

量化研究系列报告：因材施“策”，量化视角下的因子舒适区探寻与应用。

从因子分域到因子舒适区

传统多因子模型假设因子在不同股票间具有一致性和可比性，采用 全市场统一排序与加权方式，忽视了个股在基本面、流动性和市场行为 上的结构性差异，在行业分化、风格多变的 A 股市场中表现乏力。因子 分域方法通过引入行业、市值等维度进行差异建模，虽一定程度上能提 升有效性，但仍依赖静态、离散的人工分组，缺乏动态适应性及多特征 联合建模能力。为此，本文提出“因子舒适区”概念，旨在推动因子投资 范式从“为域选因子”向“为因子找域”的转变，为每个选股因子找到能够持 续稳定产生超额收益的股票集合。

因子舒适区的识别框架：预测偏差度量与多特征复合模型

准确度量因子在个股层面的定价偏差是识别舒适区的核心。本文系 统比较了 OLS 残差分析法、分位数差值法和概率分布散度法三种度量 方法，发现分位数差值法综合表现最优，其对风险模型复杂度不敏感， 且经行业市值中性化后仍保持稳定。在此基础上，本研究构建了多特征 线性预测模型，创新性地将因变量从收益率转为因子预测偏差，并引入 多类风险特征作为自变量，通过动态加权复合生成连续型“舒适度得分”， 实现全市场股票在同一标准下的排序与舒适区划分。

基于舒适区识别框架的复合因子表现优异

基于舒适度得分构建的舒适区复合因子在年化 ICIR 与多头信息比 率方面有显著提升，二次复合后进一步增强了策略稳定性，具有增量价 值。将该舒适区复合因子应用于中证 1000 指数增强策略，其年化超额 收益达 12.8%，信息比 2.40，相对回撤-7.9%，全面优于基准策略；分 年度看，舒适区增强策略在绝大多数年份中能战胜基准策略，且近五年 （2020–2024）的超额收益优势突出，年度超额收益分别达到 11.3%、 2.4%、4.5%、3.2%和 1.5%。