在进行量化回测时，如果对所有股票使用同一套因子组合，不仅意义不大，还会影响策略在单个股票上的表现，毕竟不同的股票有着不同的特点，不应当强行硬套所谓“四海皆准”的策略参数。因此，对股票进行粗筛分组很有必要，但前提是筛选和分组条件应当与后续策略的选择存在因果关系，否则很容易出现样本量太小而没有统计学意义或者过拟合的问题，任何得出的结论都是自欺欺人。
基本原则
足够的样本，统计学有效性
相关的因果，分组才有意义
克制的数量，避免维度爆炸
条件因素
强因果（策略逻辑直接相关）
市值：流动性溢价、机构覆盖度、策略容量都和它强相关，几乎所有策略都要先按这个分层
行业/板块：不同行业驱动因子完全不同，周期股看PPI，消费看CPI，科技看估值扩张，混在一起做因子没意义
波动率：高波动和低波动的最优持仓周期、仓位管理完全不同，这是风险结构差异
中等因果（有逻辑但需验证是否真的分层）
估值（PB/PE）：价值策略的核心分层维度，但A股低估值经常是价值陷阱，需要配合质量指标
流动性（换手率/成交额）：决定策略可执行性，流动性差的segment回测收益再高也无法落地
趋势状态（均线方向/动量）：趋势策略和均值回归策略在不同趋势环境下表现相反，分层有道理
弱因果（容易过拟合，慎用）
股价绝对值：前面说了，和基本面无直接因果
涨跌幅区间：比如"过去20日涨幅前30%"，这类条件把因果关系倒过来了
技术形态分类：太主观，难以稳定复现