4. 行业因子构建：虚拟变量法、市值加权法、行业收益率法
行业因子这东西，说白了就是给股票打上行业标签。你想想看，一只银行股和一只医药股，它们的涨跌逻辑完全不同。如果不把行业影响剥离掉，你算出来的因子暴露可能全是行业差异，根本不是个股本身的特征。
我在做多因子模型的时候，踩过不少坑。最开始我直接用申万一级行业分类，结果发现某些行业里只有三五只股票，回归出来的系数方差大得吓人。后来我学乖了——行业分类要合并，样本量要够，不然统计上就不显著。
行业因子的构建方法，主流的有三种。我一个个说。
4.1 虚拟变量法
这是最直接的方法。每个行业设一个0/1变量。股票属于哪个行业，那个行业对应的变量就是1，其余是0。
举个例子。假设有3个行业：银行、医药、科技。某只股票是招商银行，那它的行业虚拟变量就是 [1, 0, 0]。如果是恒瑞医药，就是 [0, 1, 0]。
代码实现也很简单：
import pandas as pd
import numpy as np
# 假设df是包含股票行业标签的数据框
df = pd.DataFrame({
'stock': ['招商银行', '恒瑞医药', '腾讯控股', '工商银行'],
'industry': ['银行', '医药', '科技', '银行']
})
# 虚拟变量法
dummies = pd.get_dummies(df['industry'], prefix='industry')
df_with_dummies = pd.concat([df, dummies], axis=1)
print(df_with_dummies.head())
输出结果：
stock industry industry_医药 industry_科技 industry_银行
0 招商银行 银行 0 0 1
1 恒瑞医药 医药 1 0 0
2 腾讯控股 科技 0 1 0
3 工商银行 银行 0 0 1
注意陷阱：虚拟变量法有个经典问题——完全多重共线性。如果你有K个行业，只能引入K-1个虚拟变量，否则回归时会报错。我刚开始做的时候，直接把所有行业都扔进去，结果回归系数全是NaN。后来才意识到，需要去掉一个基准行业。
实际操作中，我一般会去掉市值最大的那个行业作为基准。这样解释起来也方便——其他行业的系数都是相对于这个基准行业的偏离。
4.2 市值加权法
虚拟变量法有个硬伤：它假设同一行业里所有股票都一样。但现实是，工商银行和张家港行虽然都是银行股，体量差了几百倍。它们的行业影响力能一样吗？
市值加权法就是来解决这个问题的。它用市值作为权重，构建行业因子。具体做法是：
- 计算每个行业内所有股票的市值占比
- 用市值占比作为权重，加权平均得到行业因子值
代码实现：
# 假设df包含市值信息
df['market_cap'] = [10000, 3000, 5000, 8000] # 单位：亿
# 计算每个行业的总市值
industry_total_cap = df.groupby('industry')['market_cap'].sum()
# 计算每只股票在行业内的市值权重
df['weight'] = df.apply(
lambda row: row['market_cap'] / industry_total_cap[row['industry']],
axis=1
)
# 构建市值加权行业因子
df['industry_factor_weighted'] = df['weight'] * 1 # 这里1代表该股票属于该行业
print(df[['stock', 'industry', 'market_cap', 'weight']])
输出：
stock industry market_cap weight
0 招商银行 银行 10000 0.555556
1 恒瑞医药 医药 3000 1.000000
2 腾讯控股 科技 5000 1.000000
3 工商银行 银行 8000 0.444444
你看，同样是银行股，招商银行的权重是0.556，工商银行是0.444。大市值股票对行业因子的贡献更大。这更符合实际情况——工商银行的涨跌对整个银行板块的影响，确实比小银行大得多。
我的经验：市值加权法在A股特别适用。因为A股行业集中度很高，白酒行业里茅台一家就占了半壁江山。如果用虚拟变量法，茅台和一个小酒厂在行业因子里的权重一样，这显然不合理。我建议在构建行业因子时，优先考虑市值加权。
4.3 行业收益率法
这个方法稍微绕一点，但很实用。它不是直接给股票打标签，而是用行业整体的收益率作为因子值。
具体做法：
- 每天计算每个行业内所有股票的市值加权平均收益率
- 这个平均收益率就是该行业当天的因子值
- 每只股票在该行业因子上的暴露就是1（如果属于该行业）或0（如果不属于）
代码实现：
# 假设有每日收益率数据
# 这里用模拟数据演示
np.random.seed(42)
dates = pd.date_range('2024-01-01', periods=5, freq='D')
data = []
for date in dates:
for _, row in df.iterrows():
data.append({
'date': date,
'stock': row['stock'],
'industry': row['industry'],
'return': np.random.randn() * 0.02, # 模拟收益率
'market_cap': row['market_cap']
})
df_daily = pd.DataFrame(data)
# 计算每日行业收益率（市值加权）
def calc_industry_return(group):
total_cap = group['market_cap'].sum()
weighted_return = (group['return'] * group['market_cap'] / total_cap).sum()
return weighted_return
industry_returns = df_daily.groupby(['date', 'industry']).apply(calc_industry_return)
industry_returns = industry_returns.reset_index()
industry_returns.columns = ['date', 'industry', 'industry_return']
print(industry_returns.head(10))
输出示例：
date industry industry_return
0 2024-01-01 医药 0.008234
1 2024-01-01 科技 -0.012456
2 2024-01-01 银行 0.003456
3 2024-01-02 医药 -0.005678
4 2024-01-02 科技 0.015678
...
这个方法的好处是：行业因子本身就是一个可交易的策略。你可以直接买入某个行业的股票，卖出另一个行业的股票，来对冲行业风险。
核心要点：行业收益率法构建的因子，天然具有经济含义。它反映的是「做多该行业、做空基准」的收益率。在Barra模型中，行业因子就是用这种方法构建的。我个人在实盘中也是用这种方法，因为它和后续的风险归因、绩效分析衔接得最顺畅。
三种方法对比
| 方法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 虚拟变量法 | 简单直观，容易理解 | 忽略市值差异，存在多重共线性 | 初步分析、教学演示 |
| 市值加权法 | 考虑市值影响，更贴近实际 | 需要市值数据，计算稍复杂 | 多因子模型、风险模型 |
| 行业收益率法 | 具有经济含义，可交易 | 需要收益率数据，对数据质量要求高 | Barra模型、对冲策略 |
我个人在实际项目中，通常这样组合使用：
- 做因子测试和选股时，用市值加权法构建行业因子
- 做风险归因和绩效分析时，用行业收益率法
- 虚拟变量法基本只用在快速验证阶段
曾经踩过的坑：有一次我在做行业中性化时，用了虚拟变量法，结果回归出来的残差里还有明显的行业特征。查了半天才发现，是因为某个行业里有一只超级大盘股，它的权重被低估了。换成市值加权法后，问题立刻解决。所以，千万别图省事用虚拟变量法做正式模型。
嗯，行业因子构建就讲到这里。三种方法各有千秋，关键看你用在什么场景。记住一点：行业因子是中性化的基础，基础打不好，后面的风格因子分析全是白搭。
公众号:蓝海资料掘金营，微信deep3321