4、因子构建方法论：标准化与去极值、因子正交化、因子动量与反转处理
各位同学，今天我们来聊聊因子构建中最核心的几个实操环节。说实话，很多人在做多因子模型时，花了大把时间找因子，结果一跑回测，效果惨不忍睹。问题出在哪？往往不是因子本身不行，而是构建流程出了问题。
我个人习惯把因子构建比作「做饭」——原材料再好，清洗、切配、调味这些工序没做好，端上桌照样没人吃。标准化、去极值、正交化，就是这些关键工序。咱们一个一个来拆解。
4.1 标准化与去极值：让因子站在同一起跑线
先问个问题：你手上有两个因子，一个市盈率（PE），数值在5到100之间；另一个是动量因子，数值在-0.3到0.5之间。直接把它们扔进模型会怎样？
结果就是，PE因子会「吃掉」动量因子的影响。因为数值量级差太多，模型会天然偏向数值大的变量。这就是为什么我们需要标准化。
4.1.1 标准化方法
常用的标准化方法有三种，我列个表给你看：
| 方法 | 公式 | 适用场景 |
|---|---|---|
| Z-score标准化 | (x - μ) / σ | 数据近似正态分布时 |
| Min-Max标准化 | (x - min) / (max - min) | 数据有明确边界时 |
| Rank标准化 | 排序后映射到[0,1] | 数据分布未知或含异常值 |
我在项目中用得最多的是Rank标准化。为什么？因为金融数据很少是正态分布的，你想想看，收益率分布经常是尖峰厚尾，用Z-score反而容易出问题。
核心要点：标准化不是为了改变数据分布，而是为了消除量纲影响。记住这个目的，你就不会选错方法。
4.1.2 去极值处理
说到去极值，我得讲个真实案例。有一次我在做A股因子测试，发现一个因子在2015年股灾期间表现异常好。仔细一查，原来是某只股票因为停牌后复牌，一天涨了10倍，把整个因子的统计量全带偏了。
这就是极值的危害——一个异常点，就能让你的因子分析结果完全失真。
常用的去极值方法：
- MAD法：中位数 ± 3倍MAD（绝对中位差）。稳健性比标准差法好很多。
- 百分位法：直接截断1%和99%分位数以外的值。
- Winsorize法：把极值替换为分位数边界值，而不是直接删除。
我的建议：先用MAD法做第一轮去极值，再用Winsorize法做第二轮。这样既保留了样本量，又控制了极端值的影响。
4.2 因子正交化：解决「多重共线性」这个老问题
因子多了，难免会互相「串通」。比如估值因子和市值因子，天然就有相关性。如果你不处理，模型就会陷入多重共线性的泥潭——系数估计不稳定，今天跑出来一个结果，明天换段数据又变了。
正交化，说白了就是把这些「串通」的因子拆开，让它们各说各的话，互不干扰。
4.2.1 Gram-Schmidt正交化
这个方法很经典，思路也简单：
- 选一个基准因子，比如市值因子。
- 把其他因子对基准因子做回归，取残差。
- 这个残差就是「剔除基准因子影响后」的新因子。
代码实现也很直接：
import numpy as np
from sklearn.linear_model import LinearRegression
def gram_schmidt_orthogonalize(factors, base_idx=0):
"""
Gram-Schmidt正交化
factors: 因子矩阵，每列一个因子
base_idx: 基准因子的列索引
"""
n_factors = factors.shape[1]
orthogonalized = np.zeros_like(factors)
# 基准因子保持不变
orthogonalized[:, base_idx] = factors[:, base_idx]
for i in range(n_factors):
if i == base_idx:
continue
# 对基准因子做回归
reg = LinearRegression().fit(
factors[:, base_idx].reshape(-1, 1),
factors[:, i]
)
# 取残差作为正交化后的因子
orthogonalized[:, i] = factors[:, i] - reg.predict(
factors[:, base_idx].reshape(-1, 1)
)
return orthogonalized
注意：Gram-Schmidt的缺点是结果依赖于基准因子的选择。你选市值做基准，和选动量做基准，得到的结果完全不同。所以这个方法适合你「明确知道哪个因子更重要」的场景。
4.2.2 PCA正交化
PCA就不一样了。它不偏袒任何一个因子，而是找到数据中「方差最大」的方向。
我个人更喜欢用PCA做正交化，原因有三：
- 不依赖基准选择，结果唯一
- 能自动降维，剔除冗余信息
- 主成分之间天然正交，相关性为零
但PCA也有坑——主成分失去了经济含义。你原来有「估值因子」「动量因子」，PCA之后变成了「主成分1」「主成分2」，解释起来就费劲了。
我的经验：做研究阶段用PCA，追求预测精度；做归因分析时用Gram-Schmidt，保留经济含义。两者不冲突，看场景切换就行。
4.3 因子动量与反转处理：抓住时序上的规律
最后一个话题，也是很多人容易忽略的——因子本身也有「动量」和「反转」效应。
什么意思？你想想看，一个因子今天表现好，明天是不是大概率继续好？不一定。有时候是强者恒强（动量），有时候是盛极而衰（反转）。
4.3.1 因子动量的处理
因子动量，说白了就是「过去表现好的因子，未来一段时间可能继续好」。我在做CTA策略时深有体会——有些因子就像有惯性一样，趋势一旦形成，能持续好几周。
处理方法：
- 滚动窗口平滑：用过去N期的均值代替当期值，过滤噪音
- 指数加权移动平均：给近期数据更高权重，捕捉趋势
- 动量打分：根据因子过去表现给权重，表现越好权重越高
4.3.2 因子反转的处理
反转效应正好相反——涨多了要跌，跌多了要涨。这在A股市场尤其明显，特别是短期反转。
我曾经犯过一个错误：在日频策略中用了动量因子，结果回测漂亮，实盘亏得一塌糊涂。后来才发现，A股市场短期反转效应太强，动量因子在日频上根本跑不通。
处理反转的方法：
- 差分处理：用因子值的变化量代替绝对值
- 均值回复模型：假设因子会回归长期均值
- 周期分解：把因子拆成趋势项和周期项，分别处理
避坑指南：做因子动量/反转处理前，先做一下自相关分析。如果自相关系数为正，用动量处理；为负，用反转处理。别拍脑袋决定。
知识体系总览
说了这么多，我把整个因子构建的流程画了张图，方便你理解各环节的关系：
这张图把整个流程串起来了。你从原始因子出发，先做标准化和去极值，把数据「洗干净」。然后分两条路——要么做正交化消除相关性，要么做动量/反转处理捕捉时序规律。两条路可以都走，最终得到的就是干净、正交、稳定的因子。
嗯，这一章的内容就到这。因子构建是基本功，但基本功往往决定你能走多远。下次你跑因子回测时，记得先问问自己：标准化做了吗？极值去了吗？因子之间正交了吗？时序规律处理了吗？
把这四步走完，你的因子质量至少提升一个档次。