4. 因子构建与处理：从原始数据到有效信号
好，咱们进入第四章。这一章，说白了就是量化选股的「炼金术」——怎么把一堆原始数据，变成能赚钱的信号。
我个人习惯把因子处理看作「食材准备」。你想想看，再好的厨师，拿到发臭的鱼肉也做不出好菜。因子处理也是一样，原始数据里全是噪音、缺失值、极端值，不处理干净，后面模型再牛也白搭。
4.1 因子定义与分类
先说说因子是什么。因子就是能解释股票收益差异的特征。我刚开始做量化时，以为因子越多越好，堆了上百个因子进去，结果过拟合得一塌糊涂。后来才明白，因子的质量远比数量重要。
常见的因子分类，我一般分成四大类：
| 因子类别 | 典型因子 | 逻辑解释 |
|---|---|---|
| 估值因子 | PE、PB、PS、PCF | 便宜才是硬道理？低估值股票长期有超额收益 |
| 动量因子 | 过去1个月收益、过去12个月收益（剔除最近1个月） | 强者恒强，还是均值回归？不同周期表现不同 |
| 质量因子 | ROE、毛利率、资产负债率、盈利稳定性 | 好公司才能持续赚钱，但好公司不一定有好股价 |
| ESG因子 | E评分、S评分、G评分、ESG综合得分 | 负责任的公司，长期风险更低，但短期可能拖累收益 |
关键认知：没有哪个因子永远有效。估值因子在牛市跑不赢动量，质量因子在熊市更抗跌。ESG因子呢？我做过回测，它在市场下跌时确实能减少回撤，但上涨时弹性不足。
4.2 因子计算与标准化
因子计算这块，我踩过不少坑。举个例子，计算动量因子时，很多人直接用「过去12个月收益率」，但这样会引入「1个月反转效应」的干扰。我建议用12-1个月动量，即剔除最近1个月的数据。
# 计算动量因子（12-1个月动量）
import pandas as pd
import numpy as np
def calc_momentum(price_df, months=12, skip_months=1):
"""
计算动量因子
price_df: 日度价格数据，index为日期，columns为股票代码
"""
# 计算月收益率
monthly_ret = price_df.resample('M').last().pct_change()
# 滚动求和，跳过最近skip_months个月
momentum = monthly_ret.rolling(window=months).sum() - \
monthly_ret.rolling(window=skip_months).sum()
return momentum.shift(1) # 避免未来信息避坑指南：我曾经在计算因子时忘记shift(1)，结果用到了当天的数据来预测当天的收益——这在回测里表现完美，实盘却一塌糊涂。记住：所有因子必须用历史数据计算，不能包含未来信息。
标准化处理，我一般分三步走：
- 去极值：用MAD（中位数绝对偏差）或百分位法，把极端值拉回来。我习惯用3倍MAD。
- 缺失值处理：行业均值填充，或者直接剔除。如果某个因子缺失率超过30%，我建议直接放弃这个因子。
- 标准化：Z-score或Rank标准化。Rank标准化对异常值更鲁棒，我比较常用。
def standardize_factor(factor_series, method='rank'):
"""
因子标准化
method: 'zscore' 或 'rank'
"""
if method == 'zscore':
return (factor_series - factor_series.mean()) / factor_series.std()
elif method == 'rank':
# Rank标准化：将因子值排序后映射到[0,1]
ranks = factor_series.rank()
return (ranks - 1) / (len(ranks) - 1)4.3 因子相关性分析
因子之间如果高度相关，就会带来多重共线性问题。我记得有一次，我同时用了PE和PB两个估值因子，结果模型训练出来，两个因子的系数一正一负，互相抵消——这就是典型的「因子拥挤」。
我一般会计算因子间的相关系数矩阵，设定一个阈值（比如0.7），超过这个阈值的因子只保留一个。
# 计算因子相关性矩阵
factor_corr = factor_df.corr()
# 找出高度相关的因子对
high_corr_pairs = []
for i in range(len(factor_corr.columns)):
for j in range(i+1, len(factor_corr.columns)):
if abs(factor_corr.iloc[i, j]) > 0.7:
high_corr_pairs.append(
(factor_corr.columns[i], factor_corr.columns[j],
factor_corr.iloc[i, j])
)注意：相关性高不代表因子无效。比如ESG中的E和S评分，天然就有相关性（好公司通常各方面都好）。这时候可以用正交化处理，把共同部分剥离掉，保留各自独特的信息。
4.4 因子IC/IR分析
IC（信息系数）和IR（信息比率）是衡量因子有效性的核心指标。说白了，IC就是因子值和未来收益的相关系数，IR则是IC的均值除以标准差——衡量因子表现的稳定性。
我一般这样计算：
def calc_ic(factor_series, forward_return, method='spearman'):
"""
计算IC值
factor_series: 因子值
forward_return: 未来N日收益
method: 'spearman'（秩相关）或 'pearson'（线性相关）
"""
if method == 'spearman':
from scipy.stats import spearmanr
ic, p_value = spearmanr(factor_series, forward_return)
else:
ic = factor_series.corr(forward_return)
return ic
def calc_ir(ic_series):
"""
计算IR值
ic_series: 时间序列上的IC值
"""
return ic_series.mean() / ic_series.std()在实际项目中，我会按月计算IC，然后看IC的均值、标准差、正负比例。一个合格的因子，IC均值应该在0.02以上，IR大于0.5。如果IC经常正负交替，说明这个因子不稳定，需要谨慎使用。
我的经验：ESG因子的IC通常不高，可能在0.01-0.03之间，但它的IR往往不错——因为ESG因子的表现比较稳定，不会大起大落。所以ESG更适合作为「风控因子」而非「进攻因子」。
4.5 本章知识体系
下面这张图，是我梳理的因子构建与处理的核心流程。你可以把它当作操作手册：
嗯，到这里，因子构建与处理的核心内容就讲完了。记住一句话：因子处理不是技术活，而是良心活——你偷的每一个懒，都会在回测结果里加倍还给你。