第4章因子计算与实现

4. 因子计算与实现：因子计算框架设计、向量化计算、因子去极值、标准化

好，咱们进入实战环节。

前面聊了那么多因子的逻辑和分类，现在终于要动手了。因子计算这块，说白了就是两件事：算得对 和 算得快。我见过太多人，因子逻辑没问题，但代码写得一塌糊涂，跑一次要几个小时，回测一次要等一宿。嗯，这其实不是能力问题，是框架没搭好。

4.1 因子计算框架设计

我个人习惯，先把架子搭起来。别一上来就写循环，先想清楚数据怎么流。

一个成熟的因子计算框架，至少要有三层：

数据层：负责清洗、对齐、去极值、填充缺失值。这是地基。
计算层：负责具体的因子逻辑。比如动量、波动率、估值类因子。
输出层：负责标准化、中性化、合并、存储。

为什么要分层？我在项目中遇到过，一个因子跑出来全是NaN，查了半天发现是原始数据里有除零错误。如果数据层统一处理了，这种问题根本不会出现。

  核心原则： 数据层只做数据的事，计算层只做计算的事。别混在一起。

举个例子，一个简单的动量因子，框架设计大概是这样的：

# 伪代码示意
class FactorEngine:
    def __init__(self, data):
        self.raw_data = data  # 数据层
        self.clean_data = None
        self.factors = {}     # 计算层
        self.result = None    # 输出层

    def data_preprocess(self):
        # 去极值、填充、对齐
        pass

    def calc_momentum(self, window=20):
        # 计算动量因子
        pass

    def standardize(self):
        # 标准化
        pass

你想想看，如果以后要加一个新因子，只需要在计算层加一个方法，数据层和输出层完全不用动。这就是框架的价值。

4.2 向量化计算

这是最容易被忽视的地方。

很多新手写因子，喜欢用 for 循环，一行一行算。对于1000只股票、500个交易日的数据，循环一次可能要几分钟。而向量化计算，同样的逻辑，几毫秒就搞定了。

为什么会这样？因为Python的循环是解释执行的，而NumPy和Pandas的向量化操作底层是C语言，速度差了几百倍。

我刚开始做量化时，写过一个波动率因子，用循环跑了40分钟。后来改成向量化，3秒出结果。嗯，从那以后我再也没写过因子循环。

避坑指南： 我曾经在计算多因子协方差矩阵时，用了嵌套循环，结果跑了一夜没出结果。后来改成 df.corr() 向量化版本，10秒搞定。记住：能用矩阵运算，就别写循环。

来看一个具体的例子。计算过去20天的收益率标准差（波动率因子）：

import pandas as pd
import numpy as np

# 假设 prices 是 DataFrame，index=日期，columns=股票代码
# ❌ 错误做法：循环
def calc_vol_loop(prices, window=20):
    vol = pd.DataFrame(index=prices.index, columns=prices.columns)
    for col in prices.columns:
        for i in range(window, len(prices)):
            vol.iloc[i, col] = prices.iloc[i-window:i, col].pct_change().std()
    return vol

# ✅ 正确做法：向量化
def calc_vol_vectorized(prices, window=20):
    returns = prices.pct_change()
    vol = returns.rolling(window).std()
    return vol

你看，向量化版本就一行代码。而且Pandas的 rolling 函数内部做了大量优化，比手写循环快得多。

4.3 因子去极值

因子计算出来之后，第一件事不是标准化，而是去极值。

为什么？因为金融数据里经常有极端值。比如某只股票一天涨了50倍（停牌后复牌），这个数据如果不处理，会严重扭曲后续的标准化和模型训练。

常用的去极值方法有三种：

方法	原理	适用场景
MAD法	基于中位数绝对偏差	数据分布不对称时
百分位法	截断上下1%/5%分位数	简单粗暴，快速过滤
标准差法	超过均值±3σ的替换为边界值	数据近似正态分布时

我个人最常用的是MAD法。为什么？因为中位数对极端值不敏感，比均值更稳健。我在项目中遇到过，用标准差法去极值，结果因为一个极端值把均值拉偏了，导致去完极值后数据反而更奇怪了。

注意： 去极值不是删除数据，而是把极端值替换成边界值。千万别直接删行，否则时间序列会断掉。

MAD法的实现代码：

def winsorize_mad(series, n=5):
    """
    基于MAD的去极值
    n: 阈值，通常取3-5
    """
    median = series.median()
    mad = (series - median).abs().median()
    upper = median + n * mad
    lower = median - n * mad
    return series.clip(lower, upper)

嗯，这里要注意：MAD法里的 n 值怎么选？我一般取5。取3的话太严格，会把很多正常值也截掉。取7又太宽松，极端值去不干净。5是个比较折中的值。

4.4 标准化

去完极值，下一步就是标准化。

标准化的目的，是把不同量纲的因子拉到同一个尺度上。比如市盈率可能是几十倍，换手率可能是百分之几，如果不标准化，模型会天然偏向数值大的因子。

常用的标准化方法：

Z-score标准化：减去均值，除以标准差。结果服从均值为0、标准差为1的分布。
Min-Max标准化：缩放到[0,1]区间。适合有明确上下界的因子。
Rank标准化：把数值转为排序百分位。对极端值最鲁棒。

我建议，大部分情况下用Z-score。为什么？因为它保留了数据的分布形状。Min-Max会把数据压扁，Rank会丢失数值间的距离信息。

但有一个例外：如果因子里有很多异常值（即使去完极值后），用Rank更安全。我在做小市值因子时，就吃过这个亏——Z-score标准化后，模型几乎只关注了那几只极端小市值的股票，回测曲线漂亮，实盘一塌糊涂。

  经验之谈： 标准化之前，一定要先检查因子的分布。画个直方图看看，如果是长尾分布，优先用Rank标准化。

Z-score标准化的实现：

def standardize_zscore(factor):
    """
    Z-score标准化
    注意：要按截面（同一时间点）做，不能跨时间
    """
    mean = factor.mean()
    std = factor.std()
    return (factor - mean) / std

这里有个细节：标准化一定要按截面做。什么意思？就是每个交易日，对所有股票的因子值做一次标准化。不能把过去一年的数据拉在一起算均值和标准差，因为市场环境在变，不同时期的因子分布是不一样的。

我曾经犯过这个错，把全历史数据一起标准化，结果因子值在牛熊转换时完全失真。嗯，后来改成逐日截面标准化，问题就解决了。

4.5 整体流程总结

来，我们把整个流程串起来，画一张图：

你看，整个流程是线性的：原始数据 → 预处理 → 计算因子 → 去极值 → 标准化。每一步都有明确的目标，不能跳步，也不能乱序。

最后说一句：因子计算不是一次性的工作。你可能会反复调整因子逻辑、去极值参数、标准化方法。所以框架设计一定要灵活，方便你快速迭代。我现在的习惯是，每个因子都写成一个独立的函数，参数全部暴露出来，方便调参。

嗯，这一章就到这里。记住：框架先行，向量化提速，去极值保稳健，标准化统一尺度。把这四步做好，你的因子计算就稳了。

📚 课程目录

4. 因子计算与实现：因子计算框架设计、向量化计算、因子去极值、标准化

4.1 因子计算框架设计

4.2 向量化计算

4.3 因子去极值

4.4 标准化

4.5 整体流程总结