4、因子计算框架：使用Pandas进行向量化计算，避免循环

做因子挖掘，最核心的痛点是啥？

速度。说白了就是计算效率。

我刚入行那会儿，写过一段纯Python循环算因子的代码。跑一个简单的5日移动平均，3000只股票，回测3年数据，愣是跑了快两个小时。我当时还觉得挺正常，直到被组长叫去谈话：「你这代码，跑完一轮，隔壁量化组的午饭都吃完了。」

从那以后，我彻底明白了——在因子计算的世界里，循环就是敌人，向量化才是朋友。

4.1 为什么循环是性能杀手？

Python的循环慢，不是因为你写得不好。而是因为Python解释器每执行一行循环体，都要做类型检查、内存分配、引用计数更新……这些开销在单次操作中微乎其微，但乘以几百万、几千万次，就成了灾难。

举个例子，计算一个简单的滚动均值：

# 慢到想哭的写法
def slow_rolling_mean(series, window=5):
    result = []
    for i in range(len(series)):
        if i < window - 1:
            result.append(np.nan)
        else:
            result.append(np.mean(series[i-window+1:i+1]))
    return result

这段代码，逻辑上完全正确。但如果你对全市场5000只股票、每只1000个交易日的数据跑一遍……嗯，我建议你先泡杯咖啡，然后去睡一觉。

4.2 Pandas向量化：一行代码顶一万行循环

Pandas的向量化操作，底层用的是NumPy的C语言实现。你写一行 df['close'].rolling(5).mean()，背后是高度优化的C代码在跑。

同样的滚动均值，向量化写法：

# 快到飞起的写法
fast_result = df['close'].rolling(window=5).mean()

就这一行。我实测过，同样100万行数据，循环版本耗时约47秒，向量化版本0.03秒。差了三个数量级。你想想看，这差距意味着什么？意味着别人还在等结果的时候，你已经迭代了三个因子思路了。

4.3 常用向量化操作速查

我个人习惯把常用的向量化操作整理成一张速查表，方便团队新人快速上手。这里分享给你：

操作类型	循环写法（不推荐）	向量化写法（推荐）
滚动均值	for i in range(n): mean(data[i-w:i])	series.rolling(w).mean()
滚动标准差	for i in range(n): std(data[i-w:i])	series.rolling(w).std()
条件赋值	if cond: result[i]=a else: result[i]=b	np.where(cond, a, b)
分组计算	for stock in stocks: ...	df.groupby('stock').transform(...)
滞后/移位	result[i] = data[i-1]	series.shift(1)
累计求和	for i in range(n): s += data[i]	series.cumsum()

4.4 实战：用向量化构建一个动量因子

光说不练假把式。我们拿一个真实的因子来练手——动量因子，也就是过去N天的累计收益率。

先看循环版本：

def momentum_loop(df, window=20):
    # df是包含多只股票的DataFrame，已按股票和时间排序
    stocks = df['stock'].unique()
    result = []
    for stock in stocks:
        sub = df[df['stock'] == stock].copy()
        prices = sub['close'].values
        for i in range(len(prices)):
            if i < window:
                result.append(np.nan)
            else:
                ret = (prices[i] - prices[i-window]) / prices[i-window]
                result.append(ret)
    df['momentum'] = result
    return df

这段代码，我当年写的时候觉得挺优雅。直到数据量上来，才发现它有多笨重——外层循环遍历股票，内层循环遍历时间，双重循环下来，复杂度是O(N×M)。

再看向量化版本：

def momentum_vectorized(df, window=20):
    # 按股票分组，每组内计算向量化动量
    df['momentum'] = (
        df.groupby('stock')['close']
        .transform(lambda x: x.pct_change(window))
    )
    return df

就一行。真的就一行。

groupby('stock') 把数据按股票切分成组，transform 对每组独立应用 pct_change(window)，后者直接计算 (当前价格 - N天前价格) / N天前价格。整个过程全部在C层面完成。

4.5 避坑指南：向量化不是万能药

我曾经踩过一个坑，觉得所有操作都能向量化。结果遇到一个需要逐行判断「如果当前价格突破过去20日最高价，则标记为1，否则为0」的逻辑。我硬是用 rolling 和 shift 拼凑了一个极其复杂的表达式，跑出来结果还是错的。

后来我学乖了——有些逻辑确实不适合纯向量化。比如：

• 需要逐行依赖前一行计算结果的（如递归计算）
• 条件分支极其复杂且依赖历史状态的
• 需要跨多列进行非线性组合的

遇到这些情况，我的建议是：先用向量化处理80%的数据，剩下20%用 apply 或 numba 加速。别为了追求纯向量化而写出难以维护的「天书代码」。

4.6 本章知识体系

下面这张图，是我自己总结的因子计算框架决策流程。每次写新因子前，我都会过一遍这个流程：

这个流程的核心逻辑很简单：优先向量化，不行再降级。80%的因子都可以用纯向量化搞定，剩下20%用apply或numba。别一上来就写循环，也别为了向量化而写出没人能看懂的代码。

4.7 本章小结

嗯，我们来捋一下这章的核心要点：

• 循环是性能杀手，Python解释器的开销在数据量大时会被放大到不可接受
• Pandas向量化操作底层是C语言实现，速度比循环快几百倍
• 常用武器：rolling、groupby、shift、pct_change、cumsum、np.where
• 不是所有问题都能向量化，遇到递归依赖或复杂条件分支，可以降级使用apply或numba
• 先想再写：每次写因子前，先问自己三个问题，能向量化就别写循环

我记得有一次，团队里新来的同事用循环写了一个波动率因子，跑了一个多小时没出结果。我过去帮他改成向量化版本，30秒跑完。他当时看我的眼神，就像看到了魔术师。其实哪有什么魔术，不过是选对了工具而已。

下一章，我们会深入讲因子去噪与标准化——因子算出来了，但里面全是噪声和异常值，怎么处理？到时候见。

---