2025年分域训练在因子动量情景下的尝试：如何克服因子表现的截面差异

1. 市值分域的线性回归模型

本质上来说，我们利用因子动量所得到的股票预期收益也可以当做是 由因子动量模型中各个因子所构建的复合因子。我们常用的合成方式往往 以全市场等权回归，并 IC 或 ICIR 加权，这种方式得到的合成因子由于模 型中使用的子因子的不同会使得在不同的选股域内有明显的选股差异。例 如在周度换仓多因子模型中，如果采用量价因子，则往往会在小市值端有较 好的选股效果，大市值中选股效果有所退化。因此我们考虑在回归时不再采 取等权的方式，而是按照不同的市值分组加权得到专注于不同市值分组的 线性模型，从而适配不同的市值选股域。

全市场市值加权，如大市值组权重较高，对复合因子多空有明显 削弱

从各种单因子评价指标来看，进行市值加权后，当以小市值组为最大权 重时，复合因子多空表现有微弱提升，但当以大市值组为最大权重时，复合 因子多空表现有明显削弱，其中极端赋权的削弱效果最为明显。

全市场市值加权，对于分红和 ROE_SUE 基本面因子 IC 有显著提升

无论给大中小哪一组市值进行加权，无论以多大的基础权重进行加权， 分红和 ROE_SUE 因子加权后 IC 均有显著提升，这可能与这两个复合因子 过程中加入了虚拟变量有关，这样解释了最终的 5 因子复合因子在按市值 加权后，全市场表现有提升的原因。

全市场市值加权，如小市值赋高权重，对全市场量价因子 IC 提升

明显 从小市值到大市值来看，分红与 ROE_SUE 因子加权后因子表现变化 没有明显的趋势性，极端的基础权重更多是增加了不同市值分组加权表现 的波动。而量价因子给小市值加权会带来明显的全市场选股效果提升，极端 的基础权重会使得加权带来的因子表现差异更加极端。

沪深 300、中证 500 成分股中，大市值赋高权重，对复合因子 IC 提升明显

进一步的，我们考察复合因子在 300 成分内的表现。

随着偏大市值组权重的增加，因子在沪深 300 成份内的整体表现有明 显提升，极端的权重分配并不会对因子表现有明显影响。

中证 500 情况与沪深 300 相近，给大市值加权可以提升成分内的因子 表现，但第 11 组加权（最大市值组）与第 10 组加权相比，效果略有减弱， 这也与 500 平均市值较 300 更小相契合。500 中极端分组对于因子整体预测 能力的破坏性没有沪深 300 中明显。

中证 1000 成分股中，小市值赋高权重，对复合因子 IC 提升明显

很明显，对于 1000 成分而言，给偏中小市值股票高权重，会有更好的 选股效果。

800+1000 后的小市值股票中，小市值赋高权重，对复合因子 IC 提 升明显；赋权方式越极致，多空收益提升幅度越明显

进一步，我们定义不在沪深 300，中证 500，中证 1000 成分的股票为 小市值股票，考察小市值股票复合因子表现。

相比较中证 1000，给小市值分组加权会使得复合因子在小市值中有更 好的多空表现，赋权方式越极致，多空收益提升幅度越明显。而综合所有选 股域来看，极致的提大市值端，尤其是最大市值分组权重，可以显著的改善 因子的多头表现。

2. 市值加权的复合因子组合表现

我们利用上述市值加权的复合因子构建指数增强组合，与等权复合因 子组合进行比较。

对于用从市值最小第 1 组到市值最大第 11 组加权的不同因子，权重配 比参考基准指数在从聚类市值第 1 组到第 11 组的权重进行配置，按照市值 分组在指数中的权重进行加权复合因子。周度调仓组合按照单边 0.15%进行 手续费计算。

沪深 300 增强组合，极端的大市值加权后，因子历史上有更好的 表现，超额年化提升超过 1%。

对于沪深 300 增强而言，无论宽严约束，极端的大市值加权历史上有 更好的表现，超额年化提升超过 1%。这说明按照市值更加专注给 300 增强 占比高的股票更高注意力，从而让模型参数更加倾向于 300 成份股，可以 很好的增强指数表现。然而就 2025 年的表现来看，在小市值股票，量价因 子表现更好的年份，极端的大市值加权优势不再明显。

中证 500 增强组合，市值加权组合年化超额可提升约 1%。

市值加权在 500 中也有不错的改善效果，无论对于严约束的 500 增强 还是宽约束的 500 增强，历史来看都可以有效改善组合增强表现，超额年 化提升 1%左右。但从 2025 年表现来看，与沪深 300 情况相近，当中小市 值股票占优时，这种改善效果变得不再显著。

中证 1000 增强组合，市值加权因子无法稳定提升等权因子表现

对于 1000 增强组合而言，无论是在宽约束组合中还是严约束组合中， 按照市值加权训练均无法稳定的提升组合表现。

3. 市值加权的交叉复合因子表现

在进行因子加权构建时，一种思路是基于前文中，不同指数根据成分股 市值分布，挑选对应的市值加权因子进行归一化复合，另一种方式是，完全 依据个股所在的市值分组，挑选匹配的因子，进行因子重构。

从单因子表现看，在 300 和 500 中，因子表现有一定程度改善， 其他选股域并没有显著的效果改进。

进一步的我们比较该交叉复合因子在不同指数增强组合中的表现情况。

在沪深 300 中，交叉复合因子效果相较于上述基于指数选择参数的复 合效果略有降低，但参数敏感性更弱，提升效果受加权参数影响更不明显。

对于 500 增强而言，交叉复合因子提升效果与基于指数进行选择相比， 提升效果较为接近，在严约束组合中，提升效果略有提升。

对于 1000 增强而言，交叉复合因子提升效果与基于指数进行选择相比， 提升效果也较为接近，对于原始因子组合均没有很好的改善效果。

无论宽约束还是严约束条件，base_w 为 0 的成分复合方式在 300 增强中表现最优。base_w 为 0.5 的交叉复合在 500 宽约束表现更 好，base_w 为 0 的交叉复合则在 500 严约束中表现更佳。

沪深 300 中，成分加权的方式会有更好的整体表现，其中给定基础权 重，即 base_w 为 0 时效果最显著。而交叉复合方式则在 500 增强中表现更 优，其中宽约束中 base_w 为不最极端的 0.5 效果最佳，而严约束中 base_w为 0 有更好的表现。

4. 多风格因子加权的复合因子表现

除了市值以外，因子在其他不同风格因子中表现也可能有明显差异，其 中对于市场有较大影响的风格因子包括市值，市值三次方，估值，价值-成 长指标，以及行业。 我们将上述 5 个因素以相似的处理方式进行聚类，然后以曼哈顿距离 对于股票进行聚类。 其中，价值-成长指标借鉴以分析师一致预期市盈率叠加市净率，市销 率，市现率，预期分红作为价值指标，分析师一致预期盈利增长叠加历史市 值增长率，利润增长率，净现金流增长率以及营收增长率作为成长指标。价 值-成长指标为两者相减。 而对于行业而言，将中信一级行业合并为 TMT，上游，中游，消费， 金融，综合六类。当属于不同类时，定义其行业分项对于曼哈顿距离贡献为 聚类数。

单因子表现来看，风格因子加权后的因子表现提升并不明显，由于不再 单以市值为标准进行加权，在所有市值加权指数中的单因子表现也没有明 显改善。 针对特定的指数构建增强组合时，除了使用交叉复合加权因子外，也可 以采用指数在不同风格分类的占比，构建风格因子复合加权因子。分别以两 种加权方式，针对特定指数构建因子组合，考察不同指数增强表现。

风格因子加权的复合因子对于 300 组合的提升效果比较仅按市值 复合提升效果略差

风格因子加权的复合因子对于 300 组合的提升效果比较仅按市值复合 提升效果略差。宽约束时，加权参数越极端提升效果越明显，严约束时，加 权参数较为保守提升效果更加显著。

风格因子加权的复合因子对于 500 组合的提升效果比较仅仅按市值复 合提升效果也略差。同时，只有在进行交叉复合时，风格因子重新赋权会有 表现提升，按成分赋权对于 500 组合基本没有改进。

1000 增强严约束组合，风格成分复合方式有一定的提升效果，年 化提升 1%左右

风格因子加权的复合因子对于 1000 宽约束组合的整体提升效果并不好， 无论何种复合方式均无法显著提升组合历史收益。对于 1000 增强严约束组 合，成分复合方式有一定的提升效果，年化提升 1%左右。

5. 总结

等权是我们构建预期收益模型或者复合选股因子的常用样本权重处理方式，但由于复合因子各个成分在不同选股域所包含选股信息的差异，往往 导致因子在某些选股域的选股效果较好，在另一些选股域选股效果较差。常 用的线性回归残差中性化只能剥离掉因子由于与某些因子共线性带来的选 股效果，而无法改善因子在特定选股域内，对于股票收益预测能力的差异。 例如对于市值因子进行中性化，可以使得中性化后因子多头端大市值股票 与小市值股票数量相当，因子选股效果不再来自于对小市值股票的过分暴 露，但无法解决因子对大市值股票收益预测能力较弱，小市值股票预测能力 较强的特性。 构建组合时，出于风控角度的组合约束，会使得我们需要从因子表现不 佳的选股域选股，此时往往发现全市场表现较好的因子并起不到与单因子 评价结果相适应的贡献。如果说等权回归放大了复合因子中，目标选股域效 果不佳成分的权重，那将全市场分域，提升不同选股域权重后重新进行加权 复合因子，可以一定程度克服上述问题。从前文实证角度看，改变复合因子 时的样本权重的确可以改善复合因子在表现相对较弱的沪深 300，中证 500 成分股中的表现。

然而，上文的实证过程中我们也发现不同参数下，不同的加权方法对于 组合的影响有很强的不确定性。无论是加权的极端与否，加权所依赖的风格 因子多少，亦或是加权后不同模型在不同域内的表现，以及选股时对不同模 型的选取方法对组合收益的影响，其参数选择与效果提升都不是简单的线 性关系，有时极端参数选择会有更好效果，有时温和的参数选择会有更显著 的收益提升。 从量化因子构建的角度来看，尤其是主要采用量价因子进行因子复合 时，往往难以从逻辑的角度，对于模型的调整进行严密的分析，因子构建过 程更加接近于数据挖掘过程。我们将量化因子简单区分为基本面逻辑因子 与量价逻辑因子两类，我们会发现因子越偏量价逻辑，其因子逻辑成立与否 越需要股票价格走势的支撑，因子越偏基本面，因子效果的好坏并不会让我 们质疑因子逻辑本本身，而是市场短期并不反应该逻辑。以 ROE 为例，高 ROE 公司股票收益低于低 ROE 公司并不会让我们简单推导出低 ROE 公司 营收更好的结论，但同样的以历史收益计算的动量或反转因子，其因子逻辑 则完全由市场表现所印证。 因此，对于不同选股域内因子权重的选择，尤其是当我们复合因子成分 以量价因子为主时，利用深度学习算法帮助我们对因子权重进行确认可能 是相较于手工因子动量更合理的方式，这也是下一步研究的重点。

编辑：火腿肠