第4章 PCA实战应用

4、PCA实战应用：使用sklearn进行PCA降维、主成分载荷矩阵解读、PCA在因子正交化中的应用

4.1 为什么我们需要PCA？

做因子模型的人，最怕什么？

怕多重共线性。两个因子高度相关，回归系数直接崩掉，方差膨胀因子（VIF）飙到几十。你辛辛苦苦构造的因子，最后模型告诉你「这两个变量不能同时用」。

我个人习惯，在因子正交化之前，先跑一遍PCA。为什么？因为PCA能帮你把一堆相关的因子，压缩成几个互不相关的「主成分」。说白了，就是给因子们做一次「去相关」手术。

核心思想：PCA通过正交变换，将原始因子映射到一组新的正交坐标系中。新坐标轴（主成分）彼此独立，且按方差大小排序。

4.2 使用sklearn进行PCA降维

先上代码。我习惯用sklearn的PCA类，因为它封装得干净，参数少，不容易踩坑。

import numpy as np
import pandas as pd
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler

# 假设我们有5个因子，1000个样本
np.random.seed(42)
n_samples = 1000
n_features = 5

# 构造一些相关的因子数据
X = np.random.randn(n_samples, n_features)
# 人为制造相关性：让前两个因子高度相关
X[:, 1] = X[:, 0] * 0.8 + np.random.randn(n_samples) * 0.2

# 标准化（PCA对尺度敏感，这一步不能省）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 执行PCA
pca = PCA(n_components=3)  # 降到3维
X_pca = pca.fit_transform(X_scaled)

print("降维后的数据形状:", X_pca.shape)
print("各主成分解释方差比例:", pca.explained_variance_ratio_)
print("累计解释方差:", np.cumsum(pca.explained_variance_ratio_))

嗯，这里要注意：标准化是必须的。我在项目中遇到过有人直接拿原始数据跑PCA，结果第一个主成分被量纲最大的因子完全主导，后面的因子全被淹没了。你想想看，一个量级是1000的因子，和一个量级是0.01的因子，PCA会优先照顾谁？

4.3 主成分载荷矩阵解读

载荷矩阵（loadings）是PCA里最有价值的东西之一。它告诉你每个原始因子在新主成分上的「贡献权重」。

# 获取载荷矩阵
loadings = pca.components_.T  # 形状: (n_features, n_components)
loadings_df = pd.DataFrame(
    loadings,
    index=[f'因子_{i+1}' for i in range(n_features)],
    columns=[f'PC{i+1}' for i in range(pca.n_components_)]
)
print("主成分载荷矩阵:")
print(loadings_df.round(3))

举个例子，假设输出是这样的：

因子	PC1	PC2	PC3
因子_1	0.85	0.12	-0.05
因子_2	0.82	-0.15	0.08
因子_3	0.10	0.91	0.02
因子_4	-0.03	0.05	0.95
因子_5	0.45	0.30	0.55

怎么读？

PC1：因子_1和因子_2的载荷很高（0.85, 0.82），说明PC1主要捕获了这两个因子的共同变异。说白了，PC1就是它们的「公共因子」。
PC2：因子_3一枝独秀（0.91），PC2代表因子_3的独特信息。
PC3：因子_4占主导（0.95），因子_5也有一定贡献（0.55）。

我曾经犯过一个错误：只看载荷的绝对值大小，忽略了符号。其实符号代表方向，正负只是相关性方向不同，不影响正交性。但如果你要做因子解释，符号就很重要了——比如一个因子是「盈利」，另一个是「亏损」，载荷符号相反，说明它们在PC1上是对冲关系。

小技巧：如果某个因子在所有主成分上的载荷都很小（比如都小于0.3），说明这个因子是「噪声因子」，可以考虑剔除。我一般会设置一个阈值，低于阈值的因子直接扔掉。

4.4 PCA在因子正交化中的应用

因子正交化，说白了就是让因子之间互相独立。PCA天然适合干这个活——因为主成分之间是正交的（协方差为0）。

具体怎么做？

收集原始因子：比如动量、价值、质量、波动率等。
标准化：每个因子减去均值除以标准差。
PCA分解：得到主成分得分矩阵。
用主成分替代原始因子：这些主成分彼此正交，可以直接扔进回归模型。

# 完整流程：因子正交化
def factor_orthogonalization(factor_matrix, n_components=None):
    """
    使用PCA对因子矩阵进行正交化
    factor_matrix: (n_samples, n_factors)
    """
    # 1. 标准化
    scaler = StandardScaler()
    X_scaled = scaler.fit_transform(factor_matrix)
    
    # 2. PCA
    if n_components is None:
        n_components = factor_matrix.shape[1]  # 保留全部主成分
    pca = PCA(n_components=n_components)
    orthogonal_factors = pca.fit_transform(X_scaled)
    
    # 3. 将主成分转换回原始尺度（可选）
    # 这一步是为了保持因子的量级可解释
    orthogonal_factors_scaled = orthogonal_factors * np.sqrt(pca.explained_variance_)
    
    return orthogonal_factors_scaled, pca

# 使用示例
factors = np.random.randn(1000, 5)
ortho_factors, pca_model = factor_orthogonalization(factors)

# 验证正交性
corr_matrix = np.corrcoef(ortho_factors.T)
print("正交化后的因子相关性矩阵（应该接近单位矩阵）:")
print(np.round(corr_matrix, 3))

你猜怎么着？正交化后的因子相关性矩阵，非对角线元素基本为0。这就是PCA的魔力。

避坑指南：我曾经在实盘回测中直接用PCA正交化后的因子做选股，结果发现某些主成分的解释性很差——比如PC3可能对应「莫名其妙的残差波动」。后来我养成了一个习惯：正交化之后，一定要检查每个主成分与原始因子的相关性，确保能解释得通。如果某个主成分跟所有原始因子相关性都低于0.3，我建议直接扔掉。

4.5 知识体系图：PCA因子正交化流程

下面这张图，是我自己总结的PCA因子正交化完整流程。你跟着走一遍，基本不会出错。

4.6 实战中的几个坑

最后，分享几个我踩过的坑：

坑一：忘记标准化。 我刚开始用PCA时，直接拿原始数据跑，结果第一个主成分被「市值」因子完全主导，因为市值的量级是其他因子的100倍。标准化之后，一切正常。
坑二：保留太多主成分。 有人觉得保留所有主成分能保留全部信息，但这样正交化就失去了意义——你只是做了个旋转，没有降维。我建议保留累计方差解释率在80%-90%的主成分数量。
坑三：忽略载荷矩阵的符号。 载荷的正负代表方向，如果你在做多因子选股时直接拿主成分得分当因子，一定要搞清楚每个主成分的「经济含义」。否则你可能会在PC3上做多，结果发现它跟「亏损因子」高度正相关。

我的个人习惯：每次做完PCA正交化，我都会把载荷矩阵打印出来，盯着看5分钟。看看每个主成分对应哪些原始因子，能不能讲出一个合理的故事。如果讲不出来，我就调整主成分数量或者重新审视原始因子的构造。

好了，PCA在因子正交化中的应用就讲到这里。记住：PCA不是万能的，但它确实是处理因子共线性的利器。用好了，你的模型会干净很多。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

4、PCA实战应用：使用sklearn进行PCA降维、主成分载荷矩阵解读、PCA在因子正交化中的应用

4.1 为什么我们需要PCA？

4.2 使用sklearn进行PCA降维

4.3 主成分载荷矩阵解读

4.4 PCA在因子正交化中的应用

4.5 知识体系图：PCA因子正交化流程

4.6 实战中的几个坑