【华安证券】量化研究系列报告之二十四：因材施“策”：量化视角下的因子舒适区探寻与应用-250914（27页）.pdf

1、 敬请参阅末页重要声明及评级说明 证券研究报告 因材施因材施“策策”：量化视角下的因子舒适区探寻与应用：量化视角下的因子舒适区探寻与应用 量化研究系列报告之量化研究系列报告之二十二十四四 报告日期：2025-09-14 Table_Author 分析师：分析师：吴正宇吴正宇 执业证书号：S0010522090001 邮箱： 分析师分析师：严佳炜严佳炜 执业证书号：S0010520070001 邮箱： Table_CompanyReport 相关报告相关报告 1.让情绪“有结构”：大模型如何挖掘研报新价值量化研究系列报告之二十三2025-08-12 2.临界相变：探寻传统因子中的非线性基因量化研

2、究系列报告之二十二2025-6-12 3.ETF 资金流透视：被动化浪潮下行业与个股的演进量化研究系列报告之二十一2024-12-24 4.上市板块差异性视角下的选股策略优化与实战指南量化研究系列报告之二十2024-12-20 5.破解 Alpha 投资困境：因子择时方案再探索量化研究系列报告之十九2024-9-13 6.企业利润分配策略：短期股东回报与长期价值创造的平衡量化研究系列报告之十八2024-8-14 主要观点：主要观点：Table_Summary 从因子分域到因子舒适区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

3、个股在基本面、流动性和市场行为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，本本文文提出提出“因子舒适区因子舒适区”概念，概念，旨在推动因子投资范式从“为域选因子为域选因子”向“为因子找域为因子找域”的转变，为每每个选股因子个选股因子找到找到能够持能够持续稳定产生超额收益续稳定产生超额收益的股票集合。因子舒适区因子舒适区的的识别识别框架框架：预

4、测预测偏差度量与多特征复合偏差度量与多特征复合模型模型 准确度量因子在个股层面的定价偏差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。基于基于舒适区舒适区识别识别框架的框架

5、的复合因子复合因子表现优异表现优异 基于舒适度得分构建的舒适区复合因子在年化年化 ICIR 与与多头多头信息比信息比率率方面有方面有显著提升，二次复合后进一步增强了策略稳定性显著提升，二次复合后进一步增强了策略稳定性，具有，具有增量价增量价值值。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（20202024）的超额收益优势突出，年度超额收益分别达到年度超额收益分别达到 11.3%、2.4%、4.5%、3.2%和和 1.5%。风险提示风险

6、提示 本报告基于历史个股数据进行测试，历史回测结果不代表未来收益。未来市场风格可能切换，Alpha 因子可能失效，本文内容仅供参考。Table_StockNameRptType 金融工程金融工程 专题报告 Table_CommonRptType 金融工程金融工程 敬请参阅末页重要声明及评级说明 2/27 证券研究报告 正文目录正文目录 1 从因子分域到因子舒适区从因子分域到因子舒适区.4 1.1 传统模型的困境：为何“一招鲜”无法“吃遍天”传统模型的困境：为何“一招鲜”无法“吃遍天”.4 1.2 传统因子分域研究的优势与局限传统因子分域研究的优势与局限.4 2 因子定价偏差的度量方法与有效性分