4、因子计算与标准化：因子计算公式、去极值、标准化（Z-score）、中性化处理

好，咱们进入正题。因子算出来了，原始数据摆在那，能直接用吗？不能。我早年刚入行时，就吃过这个亏——把原始因子值直接扔进模型，结果回测曲线漂亮得不像话，实盘一跑就崩。后来才明白，原始因子里藏着大量噪声和偏差，必须经过一套标准化的“洗菜”流程。

说白了，因子标准化就是给数据“洗澡”。洗掉脏东西（极值），统一度量衡（Z-score），再剔除不该有的偏见（中性化）。这一套做完，因子才能用。

4.1 因子计算公式：先搞清楚你在算什么

因子计算本身不复杂，但容易出错。我见过最离谱的，是把市盈率的倒数算成了市净率。嗯，这里要注意，因子公式一定要和业务逻辑对应上。

常见的因子公式就那么几类：

  • 估值类：比如 EP（ earnings yield ）= 1 / PE。为什么用 EP 而不是 PE？因为 PE 的分布太偏了，EP 更接近正态。
  • 动量类：比如过去 12 个月收益率（剔除最近 1 个月）。这个公式里有个坑——要不要复权？我个人习惯用后复权价格，不然分红会扭曲动量信号。
  • 质量类：比如 ROE = 净利润 / 净资产。注意分母用期初还是期末？我建议用期初，不然新上市的公司数据会出问题。

举个例子，一个简单的动量因子计算：

# 假设 df 是日频价格数据，包含复权收盘价
df['momentum'] = df['close'].pct_change(252)  # 年化收益率
# 剔除最近 20 个交易日，避免短期反转干扰
df['momentum_clean'] = df['close'].pct_change(20, 252)  # 这个写法不对
# 正确做法：用 shift 偏移
df['momentum'] = df['close'].pct_change(252) - df['close'].pct_change(20)

你看，公式写错一个参数，结果就完全不一样。我在项目中遇到过，有人把 shift 和 pct_change 的周期搞反了，回测出来动量因子居然是负收益。排查了两天才找到原因。

我的小技巧：写因子公式时，先用一小段数据手动验算。Excel 算一遍，Python 算一遍，对得上再上全量数据。这一步能省下后面 80% 的 debug 时间。

4.2 去极值：别让异常值毁了你的因子

因子数据里经常有极端值。比如某只股票因为停牌，复牌后一天涨了 500%，动量因子直接爆表。这种极值如果不处理，Z-score 标准化时会把正常数据压成“一坨”，你想想看，那还有啥区分度？

去极值的方法，我常用的有三种：

方法 原理 适用场景
MAD 法 基于中位数绝对偏差，稳健性强 因子分布不对称时首选
百分位法 直接截断 1% 和 99% 分位数 简单粗暴，适合快速验证
标准差法 超过均值 ±3σ 的截断 因子近似正态分布时可用

我个人最常用的是 MAD 法。为什么？因为中位数不受极值影响，比均值稳健得多。我曾经用标准差法处理一个偏态分布的因子，结果截断后数据反而更奇怪了。

def winsorize_mad(series, n=5):
    """
    基于 MAD 的去极值
    n=5 表示超过 5 倍 MAD 的视为极值
    """
    median = series.median()
    mad = (series - median).abs().median()
    upper = median + n * mad
    lower = median - n * mad
    return series.clip(lower, upper)
注意：去极值不是删除数据，而是截断。删除数据会改变样本量，影响后续的截面回归。我曾经犯过这个错，删了 5% 的极值，结果中性化回归的系数全变了。

4.3 标准化（Z-score）：让因子站在同一起跑线

去完极值，接下来就是标准化。Z-score 是最常用的方法：

Z = (X - μ) / σ

标准化之后，因子均值为 0，标准差为 1。这样不同量纲的因子才能放在一起比较。比如市盈率倒数（EP）和动量因子，一个在 0.01 量级，一个在 0.5 量级，不标准化的话，动量因子会主导模型。

但这里有个细节：均值和标准差用哪个截面算？

  • 截面标准化：每个时间点，用当期所有股票的均值和标准差。这是最常用的，能保证每个时间截面上因子分布一致。
  • 时序标准化：每只股票，用其历史均值和标准差。这个用得少，因为会引入未来信息（除非你严格用滚动窗口）。

我建议用截面标准化。原因很简单——我们做的是截面选股，不是时序预测。每个时间点上，我们希望因子能区分出哪些股票好、哪些差。

def zscore_cross_sectional(series):
    """
    截面 Z-score 标准化
    注意：已经去极值后再做
    """
    mean = series.mean()
    std = series.std()
    return (series - mean) / std
避坑指南：我曾经在标准化时忘了剔除 ST 股和新股。结果 ST 股的因子值被压到 -3 以下，看起来是“强烈卖出信号”，但实际上 ST 股本身流动性差，根本卖不出去。所以标准化前，一定要先做样本筛选。

4.4 中性化处理：剔除你不想要的偏见

标准化之后，因子就干净了吗？不一定。你想想看，市值大的股票是不是天然 ROE 更高？行业不同，市盈率是不是天然有差异？这些“偏见”如果不剔除，因子选出来的股票可能只是大市值或某个行业的，而不是真正有 alpha 的。

中性化处理，就是把这些偏见剔除掉。最常用的方法是回归残差法：

  1. 把因子值作为因变量，需要中性化的变量（如市值、行业）作为自变量。
  2. 做线性回归，得到残差。
  3. 残差就是中性化后的因子值。

举个例子，对动量因子做市值和行业中性化：

import statsmodels.api as sm

def neutralize_factor(factor, market_cap, industry_dummies):
    """
    因子中性化
    factor: 原始因子值（已标准化）
    market_cap: 对数市值
    industry_dummies: 行业哑变量（one-hot 编码）
    """
    X = pd.concat([market_cap, industry_dummies], axis=1)
    X = sm.add_constant(X)  # 加截距项
    model = sm.OLS(factor, X).fit()
    residual = model.resid
    return residual

做完中性化之后，因子值和市值、行业的相关性应该接近于 0。你可以用相关系数矩阵验证一下。

我的经验：中性化不是越多越好。有些人恨不得把 50 个变量都中性化掉，结果因子被“洗”得干干净净，啥信号都没了。我一般只中性化市值和行业，最多再加一个换手率。记住，中性化的目的是剔除噪声，不是剔除信号。

4.5 完整流程：一张图说清楚

好了，上面讲了四个步骤：计算、去极值、标准化、中性化。它们不是孤立的，而是一条流水线。我画了一张流程图，帮你理清逻辑：

因子标准化完整流程 步骤1 因子计算 步骤2 去极值（MAD/百分位） 步骤3 Z-score 标准化 步骤4 中性化（市值+行业） ✅ 干净因子 原始数据 注意： 每一步都依赖上一步 顺序不能颠倒

你看，这个流程是串行的。先算因子，再去极值，然后标准化，最后中性化。顺序不能乱。我见过有人先标准化再去极值，结果极值被标准化后“隐藏”在 ±3 以内，根本发现不了。

4.6 实战中的几个坑

最后，分享几个我踩过的坑，希望能帮你省点时间：

  • 坑一：中性化时忘记加截距项。不加截距，残差的均值不为 0，会导致因子整体偏移。我有一回回测收益异常高，查了半天发现是截距项漏了。
  • 坑二：去极值和标准化顺序搞反。先标准化再去极值，极值会被“压缩”到正常范围内，但实际上它还是异常值。正确的做法是先截断，再标准化。
  • 坑三：中性化变量选择过多。有些人把 20 个行业、市值、换手率、波动率全加进去，结果因子残差几乎全是噪声。记住，中性化是“剔除偏见”，不是“剔除所有信息”。
总结一下：因子标准化不是可选项，是必选项。不做标准化的因子，就像没洗过的菜——看着能吃，但吃了可能拉肚子。去极值、Z-score、中性化，这三步做完，你的因子才算真正“干净”。

好了，这一章的内容就到这。下一章我们会聊因子组合的构建方法，到时候这些标准化后的因子就能派上用场了。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →