因子分域建模尤为重要
　　传统多因子模型，是按照股票因子值在全市场对其进行排序，然后打分——这种方式将所有股票同等看待。通常，不同股票的基本面、量价等属性存在较大区别。低估值、规模较大、持续支付股息的蓝筹股，和高估值、规模较小、股息支付不稳定的成长股，可比性较差。因此，对股票分域建模显得尤为重要。
　　因子分域研究主要应用在因子计算和因子合成
　　我们尝试探究因子分域的应用，而因子分域方式多种多样，本篇报告主要介绍因子分域的研究框架，即解决因子如何分域的问题。因子分域研究主要分为两部分：因子计算和因子合成。
　　分域法应用于因子计算较为常见，首先选定一个特征将股票划分成多个域，再对不同分域内的股票差异化计算因子。常见的因子计算分域方式有很多，比如按照行业划分，将因子不适用的行业因子值设置为市场中位数；再比如按照风格因子划分，探究不同市值、估值等风格下，因子的不同表现。除了应用于因子计算以外，因子合成阶段也可以使用分域法，市场中已有研究如动态情景模型等就是如此。
　　因子分域后，相较于原始因子，表现提升明显
　　因子计算分为截面分域和时间序列分域，截面分域又细分为离散型分域和连续型分域，我们以估值因子、早盘收益因子以及反转因子为案例，详细介绍了各类分域方式的原理。从分域结果来看，分域后因子表现相较于原始因子均具有不同程度提升。
　　在因子合成阶段，不同因子具备不同的表达，因子可分为线性和非线性因子，可使用不同学习模型去拟合不同类型的因子，再进行合成，我们称之为多模型拟合。此外，当因子计算阶段的单个因子拓展到多个因子时，也需要合成。我们以同花顺量化因子为例，回测结果表明分域后因子表现显著提升。
　　风险分析：报告结果均基于历史数据，历史数据存在不被重复验证的可能。