2025年量化研究系列报告：因材施“策”，量化视角下的因子舒适区探寻与应用

1 从因子分域到因子舒适区

1.1 传统模型的困境：为何“一招鲜”无法“吃遍天”

A 股市场涵盖的股票数量庞大，这些股票在行业属性、生命周期、商业模式及 投资者结构等方面存在系统性差异，呈现出高度的异质性。在此背景下，传统多因 子选股模型试图凭借一组固定因子穿越不同风格周期、适用于所有股票，本质上是 偏误-方差权衡（Bias-Variance Tradeoff） 框架下“为降低模型方差而牺牲预测偏 误”的做法。然而，这种追求普适性的“一招鲜”模式，在实践中面临越来越显著的局 限性。其根本困境在于，任何一个选股因子本质上仅代表一种特定的定价逻辑或风 险暴露来源。受股票异质性的影响，期望单一因子在所有类型的股票中均持续有效 并不现实。这直接导致了传统因子在 A 股整体横截面上普遍呈现 Rank IC 较低、稳 定性较差的现象。 随着市场长期检验与研究深入，业界逐渐形成一个共识：不同的选股逻辑其有 效性的前提条件截然不同。一个典型案例是动量和反转因子在不同市值板块的表现 差异。考察经行业市值中性化后的动量和反转因子在沪深 300 与中证 1000 指数成 分股内的分五组多空净值走势，可以发现：沪深 300 成分股内动量效应显著而反转 效应较弱；反之，中证 1000 成分股内动量效应较弱但反转效应显著。这表明，动量 因子的有效性依赖于投资者行为偏差和信息的逐步扩散，因而在关注度高、机构持 股集中、流动性好的大盘股中更为显著；而反转因子则更适应定价效率相对较低、 容易出现过度反应的小盘股环境。

因此，因子投资的核心问题正逐渐从寻求“哪个因子更有效”的广度问题，转向探 究“因子在何处、何时更有效”的精度问题。通过对股票进行分域，隔离不同风格与特 质之间的相互干扰，已成为提升因子预测能力的重要途径。这也构成了传统因子分 域研究的逻辑起点。

1.2 传统因子分域研究的优势与局限

为应对上述挑战，业界也对分域选股展开了广泛探索，其核心思路是依据预设 维度将股票划分为不同子域，然后在各域内独立测试与配置因子，以期提升因子的 有效性和稳定性。该方法的主要优势可概括为以下三点：

（1） 逻辑驱动，直观可解释：分域变量通常选择基本面或风格维度。这类划 分依据经济直觉与投资逻辑，具有清晰的经济含义，易于被理解、接受 与应用。 （2） 隔离噪音，提升信噪比：通过在相对同质的子域内进行分析，有效隔离 了域外其他风格的剧烈干扰，从而凸显域内因子的特异性信号，提升因 子表现的信噪比。 （3） 实践中的应用与延伸：主动量化投资组合是分域思想的逻辑延伸。例如， 先通过特定逻辑圈定一个潜在的优质股票池，再在该池内进行精细化优 选，旨在进一步提升投资组合的锐度与弹性。 从实践效果看，传统分域方法虽取得了一定成效，但其固有缺陷亦随着投资实 践与研究深入而逐渐暴露：1、静态性与滞后性：分域标准一旦设定，通常在较长时 期内保持固定。然而，市场风格、行业格局以及个股特性均处于动态演变之中，例 如，部分大盘股属性可能从“价值”主导逐渐转向“成长”主导。这种静态划分与动态市 场间会产生结构性错配，导致依据历史规律构建的模型面临失效风险。2、划分的离 散性与信息损耗：传统分域本质上是非此即彼的“硬划分”。例如，一只股票通常被归 类为大盘或小盘，价值型或成长型。然而，大多数风格特征本质上是连续变量。离散 化的“硬划分”会损失大量细微但可能关键的信息，并可能在分类边界附近产生不合理 的跳跃，影响因子效果的准确评估。3、维度诅咒与交互忽略：理论上，可能的分域 维度是近乎无穷的。研究者无法穷尽所有可能的分域方式，且传统方法难以有效捕 捉不同维度间复杂的交互效应。例如，高波动的价值股与低波动的价值股其因子表 现可能存在系统性差异。

鉴于传统分域方法的上述局限性，本研究提出“因子舒适区”新框架，旨在推动因 子投资范式从“为域选因子”向“为因子找域”的根本性转变。因子舒适区是指某个选股 因子能够持续稳定产生超额收益的股票集合。该集合并非由预设的静态风格维度定 义，而是由因子自身的历史表现或股票特征动态界定，其核心思想与机制包括：a. 动态自适应：利用统计学习或机器学习方法，基于因子在个股历史上的有效性表 现（如预测误差、IC 贡献度等），动态识别并预测其未来最可能有效的股票池， 从而适应市场和个股风格的动态变化。 b. 连续精细化：摒弃“硬划分”，通过对多维特征的连续建模，为每只股票计算一个 “舒适度分数”，精确量化因子在该股上的预期表现，充分利用风格信息的连续分 布特性。 c. 因子特异性：承认并尊重每个因子都有其独特的“习性”与生效机制，为其量身定 制适用的生态域，而非强行将其纳入统一、僵化的划分框架中。 综上所述，传统因子分域方法在静态性、离散性及维度处理上的内在缺陷，使 其难以适应复杂动态的市场环境。要突破这些局限，亟需一种能够更加灵活、精细且 自适应地刻画因子与股票间动态匹配关系的全新范式。本研究提出的 “因子舒适区” 框架，并非对传统分域方法进行局部修补，而是从底层逻辑上重新构建了因子有效 性的界定方式——其边界并非由研究者预设的静态维度划定，而是由因子自身在个 股历史上的表现与股票的多维特征动态界定。接下来，本文将详细阐述为实现这一 范式转变所构建的、基于统计学习的动态框架，其如何通过具体的机制设计，旨在全 面提升因子投资的稳健性、适应性及精细化水平。

2 因子定价偏差的度量方法与有效性分析

准确度量因子在个股层面的定价偏差，是识别其“舒适区”的核心环节。定价偏差 反映了因子所预测的预期收益与实际实现收益之间的系统性差异，可用于识别因子 在哪些股票上持续失效或存在错误定价。本节系统阐述三种定价偏差的度量方法， 并从理论基础、计算步骤、有效性等维度展开全面分析。 我们以 BP、季度 EP、归母净利润同比增速、SUE、季度 ROE、月反转、月残 差波动率和月换手波动率 8 个因子为例，构建个股维度的因子定价偏差代理指标， 其有效性可从准确性与稳定性两个维度进行评价：

准确性衡量代理指标对同期因子预测偏差的截面区分能力。流程验证如下， 在每个月末： 1. 使用同期数据（即 t 期因子值与 t+1 期收益率）构建个股代理指标； 2. 根据代理变量值将全市场股票等分为 3 组（舒适区、中性区、非舒适 区）； 3. 在 2013 年 1 月 1 日至 2025 年 8 月 29 日的样本期内，检验各组因子 的有效性，包括 Rank ICIR、多头信息比率及多空收益差异。组间差 异越显著，则代理指标的准确性越高，代表其越能实时捕捉因子在个 股上的即时预测偏差。

稳定性检验代理指标对因子未来表现的前瞻指引效力是否具有时间持续性， 通过计算其横截面自相关系数进行衡量。具体而言，回看过去 N 期代理变 量的均值，并计算其与 t+1 期代理变量值的横截面相关系数。稳定性越强， 代表代理变量所含信息越具有持续性和稳定性，能够前瞻性地指引因子在 未来的表现。

2.1 OLS 残差分析法

OLS 残差分析法的思想源于计量经济学中的回归诊断。在资本资产定价模型（CAPM）和多因子模型框架下，若因子能完全解释股票收益，则回归残差应为随机 噪声；若残差呈现显著的系统性模式，则表明存在未充分解释的定价偏差。该方法试 图通过提取残差中的可预测信息，识别因子在哪些股票上持续失效。其优势在于模 型简洁、经济含义清晰，且可通过扩展控制变量减少遗漏变量偏误。

2.2 因子-收益率的分位数差值法

为克服 OLS 模型的设定偏误与分布假设约束，本节引入因子-收益率分位数差 值法。该方法摒弃了复杂的参数估计，直接比较因子值与收益率的横截面排序关系， 衡量因子的预测排序与实际收益排序的匹配程度。其核心优势在于： 非参数特性：不预设因子与收益率间的线性关系，对异常值和分布形态不 敏感； 经济直觉清晰：直接刻画因子的排序预测能力，与 Rank IC 指标逻辑一致； 规避模型设定误差：不依赖回归模型设定，避免了函数形式误设带来的偏 误。

2.3 概率分布散度法

概率分布散度法基于统计分布理论，旨在度量实际收益率偏离因子预测条件的 显著程度。它不仅考虑预期与实际的差异，还考虑该因子值区间内收益率的分布波 动性，从而提供一种经波动率调整的、更稳健的偏差度量。其核心思想是：在因子值 相似的组内，利用收益率的条件分布计算标准化偏差，从而消除不同因子值区间波 动率差异带来的影响。

2.4 不同模型参数对比分析

在这一节中，我们从划分频率与风险中性化方式两个维度，比较了不同定价偏 差度量方法在稳定性方面的表现，主要结论如下： 1、度量方法：在三种度量方法中，因子-收益率分位数差值法和概率分布散度 法的准确性均显著优于 OLS 残差法。总体来看，因子-收益率分位数差值更 适合作为预测偏差的代理变量。 2、年频优于月频：每月滚动计算过去 12 个月代理变量的均值与未来 12 个月 均值的横截面相关系数。年度频率下，所有方法的自相关性均显著高于月度 频率，OLS 残差、分位数差异与概率分布散度的平均稳定比率（相关系数均 值/标准差）分别为 5.34、6.49 和 4.23。其背后经济学逻辑在于，因子在个 股上的失效常与公司的固有属性相关，如业务模式复杂性、会计信息质量、 公司治理结构、投资者结构、所处生命周期等。这些属性通常具有高度黏性， 难以在一两个月内发生根本变化，其影响更多是以年度为单位显现。因此， 年频偏差更能捕捉长期、结构性的失效特征，受短期噪声干扰更小，信号质 量更高。3、风险中性化处理：结果表明，经过更严格的风险中性化处理后，各方法的稳 定性均有不同程度的提升，且各方法之间的差异变小，总体对风险模型的复 杂度不敏感，简单行业市值中性化与多因子调整后的结果差异有限。

为便于读者综合把握不同方法的特点，下表汇总了三类度量方法的优势及局限： 总体而言，分位数差值法在预测准确性、稳定性和可解释性方面综合表现最佳，可作 为因子定价偏差度量的优先选择。OLS 残差法在经过充分风险控制后对部分因子仍 具有一定价值，而概率分布散度法为识别统计显著性异常提供了独特视角。研究者 可根据具体因子特性与数据环境选择合适方法，或融合多种方法进行交叉验证，以 更精准识别因子舒适区。后文研究主要以分位数差值作为度量选择。

最后需要指出的是，尽管历史偏差显示出一定的持续性，但其自相关性并不高， 直接使用滚动历史均值预测未来效果有限。这说明个股的预测偏差既非完全随机的 噪声，也非高度确定的信号，而是一个具有中等程度持续性的变量。这一特性意味 着，若希望提升对因子偏差的预测能力，需引入更多维特征或采用更复杂的预测模 型，单一外推方法难以充分捕捉其变化规律。

3 如何融合传统分域的信息与个股特质性信息

3.1 基于多特征线性框架的因子定价偏差预测模型

准确识别因子“舒适区”不仅需要量化个股层面的定价偏差，更需系统性地对其横 截面规律进行建模与预测。与传统多因子模型致力于预测股票收益率不同，本章提 出一个以因子预测偏差为因变量的多特征线性框架。该框架的不同之处在于，因变 量不再是收益率，而是通过分位数差值法计算的个股层面的因子预测偏差。这一转 变使得我们能够直接沿用成熟的多因子模型架构与测试流程，系统性地识别哪些特 征能够有效预测并区分因子在不同股票上的表现，从而为“舒适区”的识别提供一种 直观、可解释的量化工具。

进一步的，基于多特征模型对舒适区进行识别与划分的计算步骤如下： 1、计算因变量：每月末，计算每只股票因子值排名与下期收益率排名的绝对差 异，作为因子在该股上当期预测偏差的代理变量。 2、特征预处理与筛选： 为避免特征因子间的高度相关性影响模型稳定性，先对候选特征进行相关性检验。优先选择计算窗口较长、经济学含义清晰、对收益解释能 力更强的风险因子。 为减少噪声特征干扰、提升模型效率，预计算每个候选特征与目标因子 预测偏差之间的相关系数稳定度和多空组合 ICIR 差。仅保留那些相关 系数显著，且多空 ICIR 差大于 1 的特征，确保入选因子具备稳定且显 著的预测能力。 3、计算舒适度分数：每月末，基于过去 60 个月各特征的相关系数稳定度动态 计算权重，对当前截面特征值进行加权求和，得到每只股票的舒适度得分。 4、舒适区划分：根据舒适度得分对全市场股票进行横截面排序，按分位数等分 成三组，用于后续有效性验证。

结果表明，多特征复合能取得显著的舒适区识别效果，模型对各因子均有显著 的区分能力，尤其对反转和 BP 因子，非舒适区内因子几乎无稳定预测能力。其中， 反转因子在舒适区和非舒适区内的 Rank ICIR 为 3.75 和-0.71。但值得注意的是， 其余因子在舒适区内的有效性虽显著高于非舒适区，但因子在非舒适区仍有统计上 显著的预测能力。

基于多特征打分的舒适区识别框架相比传统方法的增量源于以下几方面：1、预测目标与特征选择的差异：与多因子收益预测模型相比，本模型直接预测 因子自身的预测偏差，更服务于“识别因子在哪里有效”这一需求。在特征选 择上，收益预测模型通常依赖历史表现稳定的 Alpha 因子，而本模型为捕捉 偏差的系统性来源，更侧重于引入风险因子，这些因子有助于解释预测偏差 在横截面上的共性规律。 2、从离散分域到连续评分：与传统分域选股相比，本模型输出的是全截面统一 的连续型舒适度得分。该得分支持所有股票在同一标准下进行比较，避免了 传统离散分箱方法造成的信息损失和域间跳跃问题，也更便于接入组合优化 器进行权重分配。 3、动态适应性与稳健性提升：模型能够动态响应市场风格与因子有效性的变化。 其核心机制在于每期基于滚动历史数据动态更新特征因子权重，使得舒适区 识别能够自适应演化，避免了静态参数模型可能发生的结构性失效。此外， 舒适区划分基于多个低相关性特征的综合评分，本质上是一种降噪和增强信 用的过程，显著降低了依赖单一指标带来的波动风险，有助于构建更稳定的 因子投资策略。 总而言之，该框架通过转变预测目标、整合多维特征并实施动态加权，实现了 对因子“舒适区”更为精细、稳健且及时的识别。它不仅提供了因子评价的新视角，也 为实际投资中动态调整因子配置、优化组合布局提供了强有力的工具。

3.2 基于多特征模型的舒适区复合因子表现出色

尽管前文证实了基于多特征模型的舒适区划分方法能够有效识别单个因子在不 同个股上的预测偏差特质，并显著提升因子在其“舒适区”内的预测表现，这并不自然 意味着该方法能为传统多因子复合模型带来增量收益。其根本原因在于：多因子模 型的构建旨在发掘因子间共同的预测规律，强调预测广度。若各因子仅局限于自身 舒适区内表现优异，而不同因子舒适区之间的交集有限，反而可能导致复合因子覆 盖股票数量大幅减少、稳定性降低，或引入新的特异性风险。因此，本节通过多因 子实证框架，系统检验舒适区划分方法在复合因子构建中的实际贡献。 为评估舒适区模型对多因子组合的提升效果，本研究设计了以下实证流程： 1、因子选择与预处理：选取前文涉及的 8 个代表性因子作为目标分区因子。所 有因子均经过标准化和行业市值中性化处理。 2、舒适区划分与因子重构：对每个因子，滚动计算每只股票的舒适度得分。依 据舒适度得分，分别选取排名前 30%、50%和 70%的股票构成该因子的“舒 适区”。 仅在舒适区股票集合内，对该因子值重新进行标准化与行业市值中 性化处理，得到舒适区因子。该处理确保因子表现的评价完全基于其擅长的 股票域。 3、复合因子构建：基准因子：使用原始全股票池的 8 个因子，经标准化和中性化后，在大 类内部采用等权方式先行合成大类因子，再在大类间以等权方式复合 而成。 舒适区因子：使用各因子在各自舒适区内处理后的因子值，采用与基准 因子完全相同的流程进行复合。 二次复合因子：将基准因子与舒适区因子以等权方式再次复合，旨在捕 捉传统因子与优化后因子的共同信息，提升稳健性。

以寒武纪为例，该股票在季度 EP、净利润同比增速和 SUE 等基本面因子上均 被识别为非舒适区，而在残差波动率和反转因子上则处于舒适区。其每月最终的复 合因子得分，并非基于所有因子计算，而是仅对当月有有效数值的因子得分取算术 平均值得到。

为考察舒适区模型在不同行业间的分布特征，我们在预处理步骤中不对因子和 特征做行业中性化处理，以保留原始的行业暴露信息。对于每个目标因子，基于预测 偏差模型计算每只股票的舒适度得分，并选取得分最高的前 30%股票作为该因子的 “舒适区”股票组合。针对这些舒适区股票，计算其在中信一级行业内的流通市值占比。 具体而言，对于每个行业，计算该行业内所有舒适区股票的流通市值之和，再除以该 行业的总流通市值，得到占比数值。 价值和成长因子呈现几乎截然相反的分布特征，BP 舒适区因子在 TMT 板块的 流通市值占比最高，而在银行、煤炭、交通运输等防御性行业中占比极低，这一分布 表明，价值因子在预期成长性强、估值波动较大的 TMT 行业中更能识别错误定价机 会，可能因为这些行业中存在更多基本面与市场定价的短期偏离，价值因子能够有 效捕捉这些低估机会。成长因子则在银行、煤炭、交通运输等防御性行业的定价偏差 较小，而在计算机、国防军工等这一类难以通过历史财报反映其未来成长性的行业 中的定价能力较差。

从量价因子的行业分布来看，由于其依赖于交易行为预测，故在交易活跃的行 业中表现更优。残差波动率因子在计算机、电子、通信行业中占比较高，而换手波动 率舒适区因子在非银行金融、有色金属、电子等行业中占比最高。

可以看到，自 2016 年 1 月 1 日-2025 年 8 月 29 日，不同分位数参数下的舒适 区因子 Rank IC 均值为 7.5%、9.1%和 10.2%，均低于基准因子，但年化 ICIR 和多 头信息比均显著高于基准因子。其中，TOP 70%舒适区因子的多头年化超额 12.0%， 信息比 2.60，表现十分出色。二次复合后的因子的表现进一步获得提升，在继承基 准因子较高 Rank IC 的同时，兼具舒适区因子的稳定性，其多头超额较基准因子提 升 1.5%。

分年度来看，舒适区因子除 2019 和 2024 年以外，其余年份多头均能战胜基准 因子的多头组合，提升相对稳健，在 2021-2023 年提升较为显著。

4 因子舒适区模型在指数增强策略中的应用

为更客观地考察复合因子对多因子模型的贡献，后文将通过更贴近实战的方式 考察因子的有效性，主要结合中证 1000 指数增强模型进行判断。 对复合因子和基准因子构建中证 1000 指数增强组合，具体细节如下： 股票池：中证 1000 成分股，剔除 ST、涨跌停、停牌、上市不满 180 天的 股票 。回测时间区间：2016 年 1 月 1 日 - 2025 年 8 月 29 日 。调仓频率：月末调仓 。基准：申万一级行业、市值暴露、个股权重均以中证 1000 指数为基准。约束上下限：个股偏离幅度 0.8%，行业暴露偏离 2%，市值暴露偏离 0.2， 其余 Barra 风格暴露偏离 0.5。成交价格：收盘价 。交易费用及仓位：双边千三，满仓 。调仓策略：以复合因子作为 Alpha 得分，在风险约束的条件下最大化复合 因子暴露，来求解股票的最优权重。

5 总结

传统多因子模型通常采用全市场统一排序与加权方式，其基本假设是因子在不 同股票间具有一致性和可比性。然而，这种方法忽视了不同个股在基本面、流动性及 市场行为模式上存在的结构性差异。此类“一刀切”的模型在复杂的实际市场环境中表 现往往欠佳，尤其在行业结构高度分化、市场风格频繁切换的 A 股市场，其适应性 明显不足。为提升因子的有效性，研究者引入了因子分域方法，通过行业、市值、估 值等维度进行差异建模，一定程度上改善了模型表现。但传统分域方法仍存在显著 缺陷：多依赖于人工预设的静态离散分组，缺乏动态调整能力，且未能充分考虑多个 特征变量对因子预测能力的联合影响。这些局限性促使本研究提出“因子舒适区”这一 新概念，其目标是实现更精细、动态且可量化的因子有效性识别，支持跨域统一建 模。

准确度量因子在个股层面的定价偏差，是界定因子“舒适区”的关键步骤。定价 偏差反映了因子预测收益与实际实现收益之间的系统性偏离，有助于识别因子在哪 些股票上持续失效或存在错误定价。本文系统比较了三种定价偏差的度量方法，即 OLS 残差分析法、分位数差值法和概率分布散度法。综合准确性与稳定性方面的检 验结果，分位数差值法表现最优，其对风险模型的复杂度不敏感，且在仅经过行业 和市值中性化处理后仍保持稳定的效果。 本研究进一步构建了一个多特征线性框架的因子定价偏差预测模型。该模型的 核心创新点在于将因变量从传统的收益率转变为因子预测偏差，并引入一系列风险 与风格特征作为自变量，直接对定价偏差进行横截面建模。通过动态加权复合多个 低相关性特征，模型输出一个连续型的“舒适度得分”，使全市场股票能够在统一标准 下进行比较和排序。回测结果表明，基于舒适度得分构建的复合因子，虽然 Rank IC 均值略低于基准因子，但其年化 ICIR 与信息比率均得到显著提升。进一步将舒适区 因子与原始因子进行二次复合，能够在维持高收益的同时增强策略稳定性，证明该 舒适区框架可为传统多因子模型提供显著的增量价值。 将舒适区复合因子应用于中证 1000 指数增强，取得了显著成效总体而言，舒适 区增强策略的年化超额收益达 12.8%，信息比为 2.40，相对回撤为-7.9%，全面优于 基准增强策略（10.5%，1.94，-9.4%），其月均单边换手率为 53.7%，也低于基准策 略。这些结果说明，基于“舒适区”识别构建的投资组合，不仅能够获取更高的绝对收 益，也表现出更优异的收益稳定性和风险控制能力。分年度业绩显示，该策略在绝 大多数年份均战胜了基准，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%。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）