之前我们提出对个股的波动率进行分层，分别实行不同的个股偏离约束，是更能兼顾超额收益和最大回撤的推荐方案。本文我们首先对其他因子进行分域测算，发现低流动性因子有类似低波的效果，但成长、动量等分域进行偏离约束的效果不佳。
　　动量可以和波动率实现2X2的分组个股偏离约束。从逻辑上来说对波动率分布维度有相似且可补充的维度是动量，但动量单独分组进行偏离约束效果不佳，如果和波动率一起组成2X2分域，在高波-高动量交集个股偏离约束放松到0.7%，在低波-低动量交集个股偏离约束收紧到0.3%，其他两组维持个股偏离约束0.5%不变，动量X波动的分域约束能实现比单个波动或动量分组约束更好的效果。
　　波动率分组约束可以进一步细分为五组，提升不同组的放松和收紧约束，能进一步提升波动率分组约束的效果。波动率分组效果较为线性，因此可以进一步较为极致的使用波动率分组约束的方案，对组合波动率分五组，分别将波动从到低的个股偏离约束设置为0.7%、0.6%、0.5%、0.4%、0.3%，这样处理后对不同组合仍然都有超额收益提升和最大回撤下降的效果，相比分两组，四个组合里三个组合都能进一步提升。
　　动量更合适的处理方式是高动量组中性。回顾之前研究进行波动率分组约束的初衷是为了减少量化组合在波动率分布偏离上的问题，如果我们认为动量也面临相似的问题：量化组合可能往往低配指数的高动量股票，也有必要直接对其“中性”，经过测算，我们发现全面对指数“中性”会显著牺牲收益，只对动量得分前10%的股票进行中性效果显著：不仅可以同时提升超额收益和降低最大回撤，甚至效果要好于波动率的分组约束。
　　波动X动量的综合方案是目前较优选择。动量维度的处理方式在分年度上的表现与波动率分组进行偏离约束有一定的互补，将两者结合起来得到了目前较优的选择，对于本文计算的四个组合，都能实现长期改善回撤同时提升收益的效果，也能对2026年以来中证500的超额起到有效的提升。
　　风险提示与声明：本报告对于量化策略、指数的研究分析均基于历史公开信息，可能受指数样本股的变化而产生一定的分析偏差；阅读本报告时，投资者需结合自身风险偏好及风险承受能力，充分理解因子表现及量化策略的波动、风格、历史表现、风险等因素。模型根据历史数据构建，历史表现不代表未来，市场环境发生重大变化时可能失效。