在本篇报告中，我们针对此前提出的非线性因子线性化以及动态纠正方法做出进一步探索，将插值类转换方法应用于传统因子，希望能够改善传统因子当前面临的困境，缓解因子失效现象的同时提升因子收益能力。
　　插值类转换方法回顾
　　在前期深度报告《Alpha掘金系列之三：高频非线性选股因子的线性化与失效因子的动态纠正》中，我们详细介绍过四种线性转换方法。本研究选择其中分段线性近似方法和线性插值方法对传统因子进行改进。从原理上来看，这两种方法都是根据过去因子的分位数组合收益来构建新的映射，并对当期因子值进行转换，使得过去收益率最高的分位数组合在当期对应的个股因子值更高。
　　大类传统因子的线性转换
　　我们将传统细分因子归为七个大类，并对细分因子进行筛选合成得到传统大类因子，包括一致预期因子、成长因子、动量反转因子、质量因子、技术因子、价值因子和波动率因子。我们首先对传统大类因子进行线性转换尝试。结果上来看，直接转换大类因子只能提高部分大类因子的多空组合表现，同时提升效果并不明显；从多头超额收益率来看也无法对所有因子起到增益效果。我们认为传统大类因子已包含较多来源的信息，应当对更底层的细分因子进行转换后合成，才能发挥插值方法的增益效果。
　　细分因子的线性转换与传统大类因子的重构
　　我们调整为先对各细分因子做转换，根据提升效果进行传统大类因子的重构。经过转换，七个因子大类116个细分因子中，71个细分因子的多空组合年化收益率有所改善。为了探究何种因子更适合进行插值转换，我们还提出了两个重要的因子评价指标——组合区分度和分布稳定性。这两个指标可以广泛应用于任意因子，考察其是否具有良好的性质，以及是否适合通过线性转换来提升收益表现。
　　我们在细分因子线性转换的基础上进行传统大类因子的重构。对于合成需要使用的细分因子，如果经过线性转换后多空组合收益表现有所提升，我们会选择用转换后的因子值替换原始因子值，否则不做替换。重新合成后，所有传统大类因子的多空组合表现均有所提升，其中重构后成长、波动率和动量反转因子提升最为明显，多空年化收益率分别从14.55%、39.78%和18.57%增大到17.28%、44.15%和22.17%，夏普比率分别从1.89、2.58和1.22增大到2.48、3.50和2.15。多头超额收益方面除了价值因子外，其余因子在选择分段线性近似重构后都会有明显的提升，线性插值方法的提升程度相对低一些。总体而言，从细分因子入手，重构传统大类因子，提升效果明显优于直接转换大类合成因子。
　　风险提示
　　以上结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险；策略依据一定的假设通过历史数据回测得到，当交易成本提高或其他条件改变时，可能导致策略收益下降甚至出现亏损。