4、行业虚拟变量：什么是虚拟变量？创建行业虚拟变量矩阵

好，咱们接着聊行业中性化。前面几章铺垫了不少，今天要啃的这块骨头，叫「虚拟变量」。名字听着挺唬人，其实没那么玄乎。

4.1 虚拟变量到底是个啥？

说白了，虚拟变量就是把「类别」变成「数字」的一种手段。

你想想看，咱们的因子模型里，输入的都是数字——市盈率、市净率、动量因子，全是数值。但行业呢？「银行」、「医药」、「消费」——这些都是文字标签，计算机不认识。怎么办？

嗯，这里就要用到虚拟变量了。

虚拟变量（Dummy Variable），也叫哑变量。它的核心思想很简单：把一个有 K 个类别的变量，转换成 K-1 个 0/1 变量。

举个例子。假设只有三个行业：银行、医药、消费。我们不需要三个变量，只需要两个：

• 变量1：是否为银行？是=1，否=0
• 变量2：是否为医药？是=1，否=0
• 消费呢？当变量1和变量2都是0时，自然就是消费

这就是「K-1」的由来。为什么要少一个？因为如果三个行业都用三个变量，会出现「完全多重共线性」——三个变量加起来永远等于1，模型就没法算了。我在项目中遇到过有人踩这个坑，跑回归时发现系数全是NaN，查了半天才发现是虚拟变量陷阱。

4.2 行业虚拟变量矩阵的构建

回到多因子模型。我们通常有几十个行业，比如申万一级行业就有31个。我们需要为每只股票生成一个行业虚拟变量向量。

假设我们有 N 只股票，K 个行业。那么行业虚拟变量矩阵就是一个 N × K 的矩阵。每只股票，在它所属的行业那一列是1，其他列都是0。

我习惯用 pandas 的 get_dummies 函数来做这件事。一行代码搞定。

import pandas as pd
import numpy as np

# 假设我们有一个DataFrame，包含股票代码和所属行业
df = pd.DataFrame({
    'stock': ['000001', '000002', '000003', '000004', '000005'],
    'industry': ['银行', '房地产', '医药', '银行', '消费']
})

# 创建行业虚拟变量矩阵
dummy_matrix = pd.get_dummies(df['industry'], prefix='行业')
print(dummy_matrix)

输出结果是这样的：

   行业_房地产  行业_消费  行业_医药  行业_银行
0      0      0      0      1
1      1      0      0      0
2      0      0      1      0
3      0      0      0      1
4      0      1      0      0

你看，000001和000004都是银行股，它们在「行业_银行」这一列都是1。其他股票在对应行业列是1，其余是0。完美。

4.3 为什么要用虚拟变量做中性化？

这个问题很关键。为什么我们不直接用行业名称，非要转成0和1？

原因在于：回归模型需要数值输入。当我们做行业中性化时，本质上是在做一步回归：

因子值 = α + β₁×行业1 + β₂×行业2 + ... + βₖ×行业K + 残差

这个残差，就是剔除行业影响后的「纯净因子」。而行业变量必须是数值，虚拟变量就是最自然的编码方式。

我曾经见过有人直接用行业编号（1,2,3,...）做回归，结果一塌糊涂。为什么？因为编号隐含了顺序关系——行业3比行业2大，但实际没有这种大小关系。虚拟变量完美避免了这个问题。

4.4 实战中的注意事项

嗯，这里有几个坑，我踩过，你们就别踩了。

# 推荐做法：去掉第一个类别
dummy_matrix = pd.get_dummies(df['industry'], prefix='行业', drop_first=True)
print(dummy_matrix.columns)
# 输出：['行业_消费', '行业_医药', '行业_银行']
# 少了「行业_房地产」，它成了基准行业

还有一个细节：训练集和测试集的行业类别要一致。如果训练集有31个行业，测试集突然冒出一个新行业，虚拟变量矩阵的列数就对不上了。我在做回测时遇到过这种情况，后来用了一个技巧：先获取所有可能的行业列表，然后统一生成虚拟变量，确保列对齐。

4.5 行业虚拟变量的可视化

为了让你更直观地理解，我画了一张图。这张图展示了行业虚拟变量矩阵的结构。

你看这张图，每只股票在它所属的行业那一列是1（彩色格子），其他列都是0（灰色格子）。每行有且仅有一个1。这就是行业虚拟变量矩阵的典型结构。

4.6 代码实战：完整流程

最后，我给你一个完整的代码示例。假设我们有一个因子值，需要做行业中性化：

import pandas as pd
import statsmodels.api as sm

# 模拟数据
np.random.seed(42)
n = 1000
df = pd.DataFrame({
    'stock': [f'stock_{i}' for i in range(n)],
    'industry': np.random.choice(['银行', '医药', '消费', '房地产', '科技'], n),
    'factor': np.random.randn(n)  # 原始因子值
})

# 创建行业虚拟变量（去掉第一个类别）
dummy = pd.get_dummies(df['industry'], prefix='行业', drop_first=True)

# 添加截距项
X = sm.add_constant(dummy)

# 回归：因子值 ~ 行业虚拟变量
model = sm.OLS(df['factor'], X).fit()

# 残差就是行业中性化后的因子
df['factor_neutral'] = model.resid

print(f"原始因子方差: {df['factor'].var():.4f}")
print(f"中性化后因子方差: {df['factor_neutral'].var():.4f}")
print(f"方差减少比例: {(1 - df['factor_neutral'].var()/df['factor'].var())*100:.2f}%")

运行这段代码，你会发现中性化后的因子方差变小了。为什么？因为行业因素解释了一部分因子波动，我们把这部分剔除了。剩下的，就是纯粹的个股选择能力。

嗯，这就是虚拟变量的全部秘密。说白了，就是把行业标签翻译成计算机能理解的语言，然后做回归，剔除行业影响。下一章我们会深入聊回归的具体细节，以及如何验证中性化效果。

---

公众号:蓝海数据掘金营，微信deep3321