第4章因子标准化

4. 因子标准化：让不同量纲的数据站在同一起跑线

做多因子模型，最头疼的问题之一就是——因子量纲不统一。

你想想看，市盈率可能是十几倍，换手率是百分之几，市值是几百亿。这些数字放在一起，根本没法直接比较。我刚开始做因子研究时，就吃过这个亏。把原始数据直接扔进模型，结果市值因子一家独大，其他因子全被淹没了。

所以，标准化是必须的。今天聊三种主流方法：Z-score、MAD、排名标准化。每种都有它的脾气。

核心观点：标准化不是为了标准化而标准化，而是为了让因子之间的比较有意义，同时保留尽可能多的信息。

Z-score的原理很简单：

# Z-score标准化
z = (x - mean) / std

把每个值减去均值，再除以标准差。结果就是均值为0，标准差为1的分布。

适用场景：

我在项目中遇到过一个问题：某次用Z-score处理换手率因子，结果发现有个股票因为某天异常放量，Z-score直接飙到15。整个因子分布被拉偏了。嗯，这就是Z-score的软肋——它对异常值极其敏感。

避坑指南：我曾经因为没做异常值处理直接Z-score，导致模型回测结果虚高。后来发现，那个异常值在实盘中根本不会出现。所以，用Z-score前，务必先做缩尾或截尾处理。

MAD，全称是Median Absolute Deviation（中位数绝对偏差）。它用中位数代替均值，用MAD代替标准差。

# MAD标准化
median_val = np.median(x)
mad = np.median(np.abs(x - median_val))
z_mad = (x - median_val) / (1.4826 * mad)

为什么乘以1.4826？为了让MAD在正态分布下与标准差保持一致。说白了，就是个校准系数。

MAD的优势在哪？

我个人习惯在因子初筛阶段用MAD。因为金融数据里，异常值往往不是错误，而是极端事件。MAD能把这些极端值保留下来，但又不会让它们过度影响整体分布。

小技巧：如果你发现MAD标准化后的因子仍然有大量值超过±3，说明这个因子的分布确实很肥尾。这时候可以考虑用排名标准化。

排名标准化，就是把因子值转换成排名，再映射到某个区间。最常见的是映射到[0,1]或[-1,1]。

# 排名标准化（映射到0~1）
rank = x.rank()
rank_norm = (rank - 1) / (len(rank) - 1)

# 或者映射到-1~1
rank_norm_2 = 2 * rank_norm - 1

什么时候用排名标准化？

你想想看，排名标准化本质上丢弃了因子值之间的距离信息。比如，排名第1和第2的股票，实际因子值可能差很多，也可能只差一点点。但在排名标准化后，它们之间的差距被固定了。

这既是优点也是缺点。优点是稳健，缺点是信息损失。

我的经验：做截面回归时，我倾向于用Z-score或MAD。做分组回测时，排名标准化反而更好用。因为分组只看相对顺序，不看具体数值。

方法	对异常值敏感度	信息保留程度	适用分布	典型场景
Z-score	高	高（保留距离信息）	近似正态	截面回归、因子合成
MAD	低	中高（保留距离，但更稳健）	厚尾、偏态	金融因子初筛、异常值较多的数据
排名标准化	极低	低（只保留排序信息）	任意分布	分组回测、因子组合构建

说实话，没有万能的方法。我一般按这个逻辑来选：

一个小建议：同一个因子在不同时间截面上的分布可能变化很大。我习惯在每个截面期都重新做标准化，而不是用全局参数。这样能更好地捕捉市场结构的变化。

下面这张图总结了三种标准化方法的核心逻辑和选择路径：

最后说一句：标准化不是终点，而是起点。真正重要的是，你选择的标准化方法能不能让因子在后续的模型中发挥应有的作用。多试试，找到适合你数据的那一款。

公众号：蓝海数据掘金营，微信 deep3321