2026年开源量化评论（117）：分域多策略研究，以偏股基金指数为例

分域研究框架

1.1、 分域定义

分域研究思想，其核心在于通过引入额外的条件变量，对横截面样本进行分组 后再研究收益与特征变量的关系，以识别不同市场子域中的差异化规律。换言之， 分域指将样本空间按照不同特征划分为若干子域，在不同子域内独立分析、建模和 优化。我们在早期研究报告中，也已涉及到此类思想，如《A 股分层效应的普适规 律与底层逻辑》（魏建榕、王志豪、苏俊豪，2021 年）、《投资者结构与因子收益》（魏 建榕、高鹏，2022 年）等。 不同于传统研究中直接研究协变量??与下一期收益率??+1之间的关系，分域研究 试图寻找引入条件变量??，探寻基于不同??下的协变量??，即 ?? |??与下一期收益率 ??+1之间的关系。 关于分域的必要性，本文援引《Salience and Short-term Momentum and Reversals》 （Chen、Wang and Yu，2024）的实证研究结果予以说明。研究表明，不同股票在投 资者结构、流动性特征及市场运行逻辑等方面存在显著异质性，这种异质性导致同 一因子在不同子样本中的表现往往不一致。以偏差显著性（Deviation Salience，DS） 指标为例，在按 DS 值分组后，短期收益在低 DS 股票组合内表现出显著的动量效 应，而在高 DS 股票组合则呈现出明显的反转效应。通过分域处理，可将原始样本空 间划分为若干更具同质性的子集，从而为针对不同子域设计和实施差异化交易策略 提供基础，提升策略的有效性与稳健性。

1.2、 分域对象

本文选取万得偏股混合基金指数（885001.WI），下文简称偏股基金指数或 885001.WI，作为分域对象。偏股基金指数是由 Wind 基金二级分类中的偏股混合型 基金采用每日收益率等权计算方式构造形成，因此其收益率相当于市场平均收益水 平，适合作为检验基金表现的可靠基准。长期而言，一只基金想要稳定跑赢市场平 均水平是一件颇具难度的事情。 测试期内，从收益绩效表现来看，偏股基金指数（885001.WI）无论是在年化收 益率，还是回撤幅度上，相比主动股基指数（930950.CSI）和沪深 300 指数（000300.SH） 都相对占优。

需要说明的是，偏股基金指数是一个基金指数，本身并不会定期向投资者公布 其对应的成分股和权重信息，这是其与主流宽基指数最显著的差异。为此，在对偏 股基金指数进行分域前，我们首先需要对其持仓股票进行穿透。2023 年我们发布了 报告《885001 指数：优势、复制与超越》，通过对偏股基金指数的成分基金进行持仓 补全后拆解得到了每期偏股基金持仓明细的估算值。 目前，偏股基金仓位估算结果已样本外跟踪近三年时间，从样本外跟踪表现来 看，估算持仓效果优异，基本上贴合偏股基金指数走势。

1.3、 分域研究框架

分域多策略的建模流程有着固定的范式，其研究框架围绕“样本分域-域内选股 -多策略融合”的逻辑展开。 其中，样本域划分旨在对指数成分股按照彼此之间的差异度进行分组，常见的 分域模式包括行业、风格和概念等类型。域内选股则主要是根据样本域的特性进行 针对性策略开发，选股思路从通用转向定制。多策略融合主要是对不同域内选股的 结果进行拼合，我们寄希望于分域结果融合后，在市场风格发生切换或波动加剧的 情况下，不同子策略内的表现能够发挥互补作用，组合整体实现风险分散、回撤幅 度可控。

根据上述建模流程，本文具体细节如下： 样本分域时，我们首先在成长、均衡、价值维度对个股进行风格划分，在此基 础上引入市值大小，最终将 A 股划分为大盘成长、大盘价值、小盘成长、小盘价值 和均衡五个样本域。关于偏股基金指数持仓中的港股，暂且不进一步按照风格细分， 仅作为单独的股票池进行处理。 域内选股时，我们分别根据每个样本域自身的特点，构造了一套主动粗筛加量 化精选的串联结构的选股模式。首先，我们在每个风格域内，根据该风格域内的特 性，选取两个典型的主动权益选股特征，进行象限切分，按照象限的位置对个股打 上高高、高低、低高和低低四类标签，然后在风格域内对双低标签的个股进行剔除， 最后在剩余个股中按照多因子打分的思路进行排序，优选得分最高的 30 只个股进行 等权持有。均衡域我们按照多因子增强的框架进行处理。港股域内我们使用拟合港 股持仓中权重占比最高的 30 只港股进行等权持有，并讨论了该种方案的合理性。 多策略融合时，我们遵循“域内等权、域间加权”的八字方针。域内等权，主 要是在进行域内选股时，我们每个样本域内个股按照等权进行持有，均衡域除外。 域间加权，则意味着每个风格域最终的权重配比依赖于在当前分类标签下的权重占 比，目前我们仅按照标准权重进行配置，未做权重偏离。

样本分域

常见的样本分域方法主要有三种。 第一种为因子打分法。通过对不同风格选取不同的细分代理变量，并对代理变 量的数值标准化后按照等权的模式进行加总排序，根据排序位置来划分个股所属风格属性。 第二种为线性回归法。线性回归法常用于测量公募基金在特定风格或行业的配 置情况，需要注意的是不同自变量之间的共线性对回归结果的影响。但这种思路可 以移植到个股标签处理上，通过使用个股收益率对风格收益率进行带约束的线性回 归，我们可以根据回归系数的大小来判断当前个股对应的风格标签。线性回归时， 使用的自变量既可以基于市场已有风格指数，亦可以自定义风格指数。 第三种为基金标签法。在确定个股风格标签时，我们首先对偏股基金指数的成 分基金进行打标签，按照相同风格属性对不同基金的重仓股进行汇总，对不符合基 金风格标签的个股做主动筛查，从而构建对应风格的股票池。 本文我们对前两种个股风格划分思路进行讨论，第三种方案暂不考虑。

因子打分法

因子打分法我们参考国证风格指数的构建思路，针对划分的风格选取对应的特 征变量，按照综合打分高低进行排序切分，具体步骤如下： 第一步，定义价值和成长风格因子，根据样本空间个股因子数值进行横截面标 准化后加总，得到每月末成分股价值与成长风格因子得分。 第二步，每月末将指数成分股按得分降序排列，取前 1/3 分别归为价值/成长风 格。 第三步，若某只指数成分股交叉高得分，即价值分数和成长分数同时位于前 1/3 统一划分为均衡风格；或某只指数成分股价值分数和成长分数同时位于后 2/3，也划 分为均衡风格。

基于因子打分法分域后各风格平均权重约为：均衡 47%、成长 34%、价值 20%， 该划分结果与实际体感存在一定偏差。因为偏股基金指数成分基金投资目标通常偏 向于追求业绩弹性，因此在股票选择上更倾向成长型股票，促使偏股基金指数内成 长股权重大概率更高。

扩展市值分域法

在 A 股市场，大小市值个股之间的表现往往呈现显著差异，在既有风格中纳入 市值因素具有一定的必要性。我们根据 Fama-French 因子构建中的双重排序思路，将 市值大小融入成长、价值风格之中。首先归纳一下 Fama-French 因子构建过程中用到 的两种双重排序方法： 非条件双重排序（Unconditional Double Sorting）：在全样本范围内，同时对两个 不同的条件进行分组标记，再将标记组合形成各子组合。例如在 SMB 因子构造过程 中，按市值将个股分为大小盘，同时按账面市值比分为低、中、高三个等级，最后合并标签，共形成六类组合。但该方法可能导致分布不均，例如大盘股的 B/M 通常 比较低，会造成大盘低 B/M 类的个股数量较少。 条件双重排序（Conditional Double Sorting）：首先根据条件 A 将全样本个股进行 分组，然后在每个依据 A 分组的组内按照条件 B 对个股进行标记，最后合并各组内 标记形成最终组合。例如在 RMW 因子构造中，个股先按市值分为大小盘，再在每 个市值组内按盈利能力进行分组。最终得到的组合能够很好的解决分组不均的问题。 本文以条件双重排序思路为参考，先使用线性回归方法构建价值、成长及均衡 风格域，在此基础上在各风格域内按照市值 30%的阈值将子域内的成分股划分为大 盘与小盘两个子样本，其中均衡域不再区分大小盘。该方法能够在兼顾市值与风格 的基础上，实现各子域成分股分布的均衡，避免空域现象的出现，从而保证后续子 策略构建的可行性与稳健性。最终，我们形成五个样本域，分别为大盘成长、大盘 价值、小盘成长、小盘价值以及均衡域。 五风格分域后，均衡风格平均权重为 23%，大盘成长风格权重为 42%，大盘价 值权重为 15%，小盘成长权重为 14%，小盘价值权重为 6%。从不同风格域样本数量 变化来看，价值风格个股在线性回归思路下，始终处于数量相对较少的状态，尤其 是大盘价值股，2020 年之前数量经常少于 100 只。

从收益走势图来看，在等权模式下，小盘成长风格累积收益率最高，近一年持 续新高，大盘价值风格的净值则稳步上升。在加权模式下，不同风格收益率走势与 等权差异较大，比如大盘价值风格的累积收益率虽然占优，但是并未创出新高。

从测试期内不同风格收益率统计结果来看，无论是等权模式还是加权模式，按 照我们的方法划分的大盘价值和小盘成长风格，在 A 股市场上长期来看具有更优的 收益表现，年化收益率均超 10%。

域内选股

在前文完成分域方法的研究与框架搭建后，我们将进一步探索如何在不同风格 域内构建具备针对性的子策略，从而实现对市场特征的更精细捕捉，并提升整体策 略的稳健表现。 在风格域内进行选股时，我们遵循主动选股逻辑分类、风格样本域内验证和量 化因子辅助增强的串联结构。均衡域内由于缺乏共识性的主动选股理念，我们按照 指数增强框架进行选股。 主动选股逻辑分类：针对不同风格域我们会将主动权益基金经理不同的选股思 路进行定量化表达。比如优选具有高护城河的个股，那么我们会首先通过将高 ROE 和高毛利率作为护城河深浅的一种代理变量。我们在每个风格域内优选两个典型的 特征对偏股基金成分股进行四象限切分，并打上“高高、高低、低高和低低”四类 标签。 风格样本域内验证：成分股在全局维度打完标签后，我们会在风格域内剔除双 低标签的个股，并测试剩余个股的收益表现是否超越了原始风格域内所有个股的收 益表现。若是，表明所选特征适用于当前风格域。 量化因子辅助增强：在剩余个股中，我们会通过滚动选取因子库中的因子进行 测试，选取过去一段时间表现较好的因子进行等权合成，排序后选取得分靠前的 30 只个股等权持有。