一、行业中性化概述：为什么需要行业中性化？核心思想是什么？

各位同学，今天我们来聊聊多因子模型中一个绕不开的话题——行业中性化。

说实话，我刚开始做量化那会儿，对行业中性化并不太在意。总觉得因子就是因子，选股就是选股，跟行业有什么关系？直到有一次，我跑了一个看起来非常漂亮的因子回测——夏普比率高得吓人，最大回撤也控制得很好。结果拿去实盘，直接被打脸。后来一查，发现这个因子本质上就是在赌行业配置。说白了，它选出来的股票全是某个行业的，市场风格一转，整个因子就崩了。

嗯，从那以后，我再也不敢忽视行业中性化了。

1.1 为什么需要行业中性化？

我们先想一个问题：因子选股，到底选的是什么？

你希望因子能捕捉到股票自身的alpha，而不是行业带来的beta。举个例子，假设你发现「低波动」因子很有效。但如果你不做行业中性化，这个因子可能选出来的全是银行股——因为银行股天生波动低。那问题来了：你赚的钱，到底是低波动因子的功劳，还是银行板块上涨的功劳？

我个人习惯把这个问题拆成两点来看：

• 行业风格会干扰因子纯度：不同行业的股票，在很多因子上的分布天然就不一样。比如市盈率，银行股普遍低，科技股普遍高。如果你不做中性化，因子值里混杂了行业信息，你很难判断这个因子到底在选行业还是在选股票。
• 行业轮动会带来伪回测：我在项目中遇到过好几次，某个因子在回测期表现极好，但仔细一看，是因为那几年某个行业一直在涨。因子只是碰巧选到了那个行业的股票。一旦行业轮动，因子就失效了。

所以，行业中性化的核心目的就一个：剥离行业影响，让因子只反映股票自身的差异。

1.2 行业中性化的核心思想

核心思想其实很简单，就一句话：在行业内比较，而不是跨行业比较。

你想想看，如果你要评价一个学生的数学成绩好不好，你会拿他跟全校所有学生比吗？不会。你会拿他跟同班同学比，因为不同班级的教学进度、考试难度都不一样。行业中性化也是这个道理。

具体来说，行业中性化要做两件事：

1. 识别行业归属：把股票分到不同的行业里。比如申万一级行业、GICS行业分类等。
2. 在行业内做标准化：对每个行业内部的因子值，分别做标准化处理（比如z-score、rank等），让每个行业的因子值分布变得可比。

这样做的好处很明显：

• 因子值不再受行业整体水平的影响
• 选出来的股票在各个行业里都有分布，不会过度集中
• 因子回测结果更稳健，不容易被行业轮动带偏

1.3 行业中性化的两种常见做法

在实际操作中，我见过两种主流做法。这里给大家列个表对比一下：

方法	做法	优点	缺点
行业内标准化	对每个行业内的因子值，分别做z-score或rank标准化	简单直观，容易实现	行业样本量少时，标准化结果不稳定
回归法	用因子值对行业哑变量做回归，取残差作为中性化后的因子	理论上更严谨，可以同时做多维度中性化	计算稍复杂，需要处理多重共线性

我个人更推荐行业内标准化，尤其是刚入门的时候。原因很简单：它够直观，出了问题也容易排查。我记得有一次，我用回归法做中性化，结果发现残差里还残留着行业信息，排查了半天才发现是哑变量编码出了问题。换成行业内标准化，一眼就能看出问题在哪。

1.4 行业中性化的直观理解——一张图说清楚

下面这张图，是我自己画的一个简单示意图，帮你理解行业中性化到底在做什么：

你看，左边是原始因子值。行业A的股票因子值普遍偏高，行业B的股票因子值普遍偏低。如果你直接拿这个因子去选股，选出来的大概率全是行业A的股票。但经过行业内标准化之后，每个行业内部的因子值都变成了相对位置——股票1在行业A里是领先的，股票4在行业B里也是领先的。这样选出来的股票，在各个行业里都有分布，因子也更干净。

1.5 什么时候可以不做行业中性化？

嗯，这里要补充一点。虽然我强烈建议大多数情况下都做行业中性化，但确实有一些场景可以跳过：

• 行业因子本身就是你的目标：比如你专门做行业轮动策略，那就不需要中性化，反而要保留行业信息。
• 全市场选股且行业分布均匀：如果你的因子天然在各个行业里分布都很均匀，那中性化的效果有限，做不做差别不大。
• 样本量极小：比如你只选几十只股票，行业中性化反而可能引入噪声。

1.6 小结

行业中性化，说白了就是让因子回归本质——选股票，而不是选行业。它的核心思想是「在行业内比较」，做法也很简单：行业内标准化或回归法。我个人建议初学者先从行业内标准化入手，等熟悉了再尝试回归法。

下一节，我们会具体讲如何用Python实现行业中性化，包括代码示例和常见坑点。到时候我会拿一个真实案例来演示，保证你看完就能上手。

---

公众号:蓝海资料掘金营，微信deep3321