目录

中文EN

理论篇：因子模型与风格

1、单因子模型代码2、多因子模型理论基础3、经典风格因子4、因子版图扩展

操作篇：因子生产与管理

5、因子构建与中性化6、因子测试框架代码7、因子组合优化与归因8、因子择时与拥挤

拓展篇：宏观量化与资产配置

9、宏观数据与因子10、宏观状态识别11、大类资产配置代码12、宏观量化十年笔记代码

5、因子构建与中性化

因子能否落地，很大程度上取决于原始数据是否干净。停牌、新股、涨跌停、财报披露时滞、未来信息泄露，都会把因子结果带偏。下面按数据处理与中性化的关键步骤展开。

5.1 因子原始数据获取

因子数据主要来源于以下三类：

• 行情数据：包括日线、分钟线、Tick 级数据，以及价格、成交量、换手率等指标。
• 财务数据：包括季报、年报中的净利润、营业收入、ROE、资产负债率等指标。
• 另类数据：包括舆情、供应链、卫星图像等，但此类数据处理复杂，本文暂不展开。

因子数据的获取通常可分为两个步骤：

1. 确定时间窗口：例如，在计算过去 20 个交易日的动量因子时，需要获取对应区间内的收盘价数据。
2. 对齐时间戳：财务数据通常以披露日期为准，行情数据则以交易日期为准，二者必须严格对齐。若直接以财报截止日匹配行情数据，容易引入未来信息，从而导致回测结果失真。

因子计算应遵循先收盘、后计算、次日使用的原则。即在T日收盘后，使用T日可得数据计算因子，并将其用于T+1日的交易信号。

代码示例，获取行情数据：

import pandas as pd
import numpy as np
from datetime import datetime, timedelta

# 模拟获取某只股票过去20个交易日的收盘价
def get_price_data(stock_code, start_date, end_date):
    # 实际项目中，这里会连接数据库或API
    # 这里用随机数据模拟
    dates = pd.date_range(start=start_date, end=end_date, freq='B')
    prices = np.random.randn(len(dates)).cumsum + 100
    return pd.Series(prices, index=dates, name=stock_code)

# 获取数据
price_series = get_price_data('000001.SZ', '2024-01-01', '2024-01-31')
print(price_series.head)

2024-01-01    100.620346
2024-01-02    102.121153
2024-01-03    103.701520
2024-01-04    103.175807
2024-01-05    100.646072
Freq: B, Name: 000001.SZ, dtype: float64

5.2 异常值处理

数据获取完成后，首要任务并非直接计算因子，而是对原始数据进行清洗。

异常值是指明显偏离正常范围、且可能由数据错误、口径差异或极端事件造成的观测值。例如，个别股票单日收益率异常放大，或估值指标出现极端偏离，均可能对因子分布造成显著扭曲。若不加处理，异常值往往会影响统计特征，进而削弱因子研究的稳健性。

常见的异常值处理方法主要包括以下三类：

方法	原理	适用场景
MAD法（中位数绝对偏差）	以中位数替代均值，对极端值具有更强鲁棒性	因子分布偏态较明显时
百分位截断法	截取上下若干分位的极端值	处理方式简单、效率较高时
3σ原则	将超过均值±3倍标准差的观测值视为异常	因子分布近似正态时

在实际应用中，MAD法通常更具稳健性。原因在于，该方法对极端值不敏感；相较于3σ原则，其识别结果不易受到少数极端观测值的干扰。因此，在因子分布明显偏态或存在厚尾特征的情形下，MAD法通常是更优选择。

异常值处理不宜采用一刀切的方式。更合理的做法通常是先进行行业内处理，再进行全市场处理。由于不同行业的因子分布差异较大，例如银行股与科技股在估值水平和波动特征上存在显著差异，若直接混合处理，可能将行业特征误判为异常值。

代码示例，MAD法处理异常值：

def mad_outlier_removal(factor_series, n=5):
    """
    使用MAD法识别并处理异常值
    n: 阈值，通常取3-5
    """
    median = factor_series.median
    mad = np.median(np.abs(factor_series - median))
    # 计算修正后的Z-score
    modified_z_scores = 0.6745 * (factor_series - median) / mad
    # 标记异常值
    outliers = np.abs(modified_z_scores) > n
    # 将异常值替换为中位数
    factor_series_clean = factor_series.copy
    factor_series_clean[outliers] = median
    return factor_series_clean

# 使用示例
raw_factor = pd.Series(np.random.randn(1000) * 10 + 50)
raw_factor[0] = 5000  # 人为加入一个极端值
clean_factor = mad_outlier_removal(raw_factor)
print(f"处理前最大值: {raw_factor.max:.2f}")
print(f"处理后最大值: {clean_factor.max:.2f}")

处理前最大值: 5000.00
处理后最大值: 82.16

5.3 标准化处理

异常值处理完成后，下一步是标准化。

标准化的目的是消除不同因子量纲不一致带来的影响。由于市盈率、换手率、动量等指标的取值范围差异较大，若直接将其纳入模型，数值尺度较大的因子可能对结果产生不成比例的影响，从而削弱模型的可解释性与稳健性。

常见的标准化方法主要包括以下两类：

• Z-score 标准化：$(x - \text{mean}) / \text{std}$。该方法可将因子转换为均值为 0、标准差为 1 的分布。
• 排序标准化：先对因子值进行排序，再映射至$[0,1]$或$[-1,1]$区间。该方法对异常值具有更强的鲁棒性。

需要注意的是，Z-score标准化通常隐含因子近似正态分布的假设，但实际中许多因子并不满足这一条件。例如，换手率因子往往呈右偏分布，直接采用Z-score标准化并不理想。此时，可优先考虑排序标准化，或先进行对数变换，再实施标准化处理。

在多因子模型构建中，常见做法是先进行排序标准化，再转换为Z-score。这样既保留了因子的相对排序信息，又能使分布更接近正态。具体而言，可先将因子值转换为百分位排名，再利用正态分布的反函数映射为Z-score。

代码示例，排序标准化：

def rank_standardize(factor_series):
    """
    排序标准化：将因子值映射到[0,1]区间
    """
    rank = factor_series.rank
    standardized = (rank - 1) / (len(rank) - 1)
    return standardized

# 使用示例
factor = pd.Series(np.random.randn(1000) * 100)
standardized_factor = rank_standardize(factor)
print(f"原始因子范围: [{factor.min:.2f}, {factor.max:.2f}]")
print(f"标准化后范围: [{standardized_factor.min:.2f}, {standardized_factor.max:.2f}]")

原始因子范围: [-283.47, 352.87]
标准化后范围: [0.00, 1.00]

---

以下进入因子中性化：在清洗与标准化之后，对行业、市值与风格敞口做剥离。

本节讨论因子的市值、行业与风格中性化：用回归或分组等方式，剥离因子值中与这些已知维度相关的部分，保留残差作为“更纯”的因子信号。

学术上一般怎么做？

实证资产定价文献中，通常并不把“先对市值/行业做回归中性化”作为默认预处理。更常见的做法是：

• 用单维/双维组合排序直接检验特征与未来收益的关系（例如市值×账面市值比）；
• 在 Fama–MacBeth 等截面回归中加入市值、行业虚拟变量等控制项；
• 关心的是特征本身是否定价，或在控制已知风格后溢价是否仍在。

因此，学术流程往往在检验设计里控制市值与行业，而不是先改写因子、再假装测的是原始特征。若一上来就中性化，还可能改变问题本身——尤其当信号天然与行业结构纠缠时（例如大市值组大量集中于银行）。

实务上为什么经常要做？

A 股量化与组合管理中，中性化很常见，原因主要是产品约束与归因目标不同：

• 指数增强、市场中性等策略常限制行业偏离与风格暴露，不中性化容易把回测做成“押行业/押小盘”；
• 多因子合成前若各因子都混有市值、行业，权重优化会被这些共同暴露主导；
• 实盘归因需要区分：收益来自行业配置，还是来自行业内选股。

学术默认回答“全市场里这个特征有没有溢价”；实务中性化更多回答“剥离市值与行业后，还有没有可交易的增量信息”。 二者互补，不是谁取代谁。建议同时报告中性化前后的结果，并检查组合的行业与市值暴露。

中性化的核心目标，是剥离因子中的行业、市值与风格干扰，保留残差部分的独立信息（因子值 ≈ 风格暴露 + 残差）。下面介绍行业中性化、市值与风格中性化，以及双重中性化。

5.4 行业中性化

5.4.1 行业分类标准：明确股票所属行业

行业中性化的第一步是行业分类；若无分类，则无法确定待剥离的对象。

目前主流的行业分类标准如下：

分类标准	发布方	层级	特点
GICS	MSCI / S&P	11个行业，24个行业组，69个行业	全球通用，机构广泛采用
ICB	FTSE Russell	11个行业，20个超行业，45个行业	欧洲常用，与 GICS 类似
申万行业	申万宏源	31个一级行业，134个二级行业	A 股最常用，贴近国内市场
中信行业	中信证券	30个一级行业，110个二级行业	机构定制，更新较快

A 股实践中通常采用申万一级行业分类，因其逻辑贴近国内市场认知且数据易得。需注意申万行业每年调整一次，应及时更新分类。

若构建全球多市场策略，建议采用 GICS 分类，以便在不同市场间建立统一比较框架。

5.4.2 行业市值中性化：把规模和行业一起干掉

行业中性化通常不与市值分离处理，实践中常同时对行业和市值两个维度进行中性化，即行业市值中性化。

市值须一并纳入处理，原因在于大市值与小市值股票的行业分布天然不均衡——银行股普遍市值较大，科技股普遍市值较小。若仅作行业中性化，市值效应仍将渗入因子暴露。

具体实现如下（代码示例）：

import pandas as pd
import statsmodels.api as sm

# 假设 df 包含：股票代码、因子值、行业哑变量、市值对数
# 行业哑变量：每个行业一列，0/1编码

def industry_market_neutralize(df, factor_col, mkt_cap_col, industry_dummies):
    """
    行业市值中性化：用回归剥离行业和市值的影响
    """
    # 准备自变量：行业哑变量 + 市值对数
    X = df[industry_dummies].copy
    X['log_mkt_cap'] = np.log(df[mkt_cap_col])
    X = sm.add_constant(X)  # 加截距项
    
    # 因变量：原始因子值
    y = df[factor_col]
    
    # 回归
    model = sm.OLS(y, X).fit
    
    # 残差就是中性化后的因子
    df['factor_neutral'] = model.resid
    
    return df, model

这段代码的逻辑很简单：用回归把因子值里能被行业和市值解释的部分去掉，剩下的残差就是干净的因子。

注意： 回归须加入截距项；否则残差均值可能非零，导致中性化不彻底，回测结果可能出现约 0.5 个百分点的偏差。

5.4.3 行业因子剥离：不只是回归那么简单

回归为最常用方法，但并非唯一途径。实践中常见的因子剥离方式包括：

• 回归法（OLS）： 最标准，适合大多数情况。但要注意多重共线性——行业哑变量之间是线性相关的，需要去掉一个行业作为基准。
• 分组调整法： 把股票按行业分组，在每个行业内对因子做标准化或排序。这样行业间的差异就被抹平了。简单粗暴，但有效。
• 因子正交化： 用施密特正交化或PCA，把因子投影到行业正交空间。这个方法更数学，适合做多因子合成时用。

回归法可同时处理多个变量且统计性质清晰，应用最为广泛；若仅需快速验证单个因子，分组调整法更为简便。

分组调整法的代码示例如下：

def group_neutralize(df, factor_col, industry_col):
    """
    分组调整法：行业内做标准化
    """
    df['factor_neutral'] = df.groupby(industry_col)[factor_col].transform(
        lambda x: (x - x.mean) / x.std
    )
    return df

上述代码简洁高效，但该方法仅消除行业均值差异，未能去除行业内部的市值效应。若需更彻底的中性化结果，仍须采用回归法。

5.4.4 注意事项：常见误区

行业中性化中若干细节若处理不当，将导致结果偏离预期。常见误区如下：

• 行业哑变量陷阱： 若有 30 个行业，回归时仅可纳入 29 个哑变量，否则将出现完全多重共线性并导致模型报错；若纳入全部 30 个，回归系数可能全部为 NaN。
• 市值对数须采用： 直接以市值回归时量级过大，系数偏小；取对数后分布更接近正态，回归效果更佳。
• 注意极端值： 部分小市值股票的市值对数偏小，可能拉偏回归结果。中性化前宜对因子与市值作缩尾处理（winsorize）。
• 行业分类的时效性： 申万行业每年 6 月与 12 月调整。若沿用旧分类，中性化效果将打折扣。建议每季度末核查行业分类是否已更新。

核心总结： 行业中性化的本质是控制变量——避免因子收益被行业走势主导，须将行业因素纳入控制。回归法最为通用，同时须控制市值。残差即为经中性化后的真因子。

在实务多因子流水线中，行业中性化往往是最基础的预处理步骤之一。若行业效应剥离不彻底，后续合成与优化容易被行业配置主导。

在完成行业中性化之后，还需进一步处理市值与风格暴露。以下各节介绍更细粒度的中性化方法。

5.5 市值与风格中性化

以过去一个月换手率为例，该因子与市值是否存在关联？

关联显著：小盘股换手率通常高于大盘股。若不作处理，选股结果可能偏向小盘股，因子收益中换手率效应与市值效应难以区分。

分不清。

中性化的目的，就是把因子中属于其他风格的那部分剥离掉。只留下属于因子自己的独特信息。

核心思想： 因子值 = 风格暴露部分 + 残差部分。目标为残差部分。

5.5.1 市值中性化：最基础的处理

市值中性化，是所有中性化里最常用的。做法也很直接：

1. 把股票按市值分组（比如分成10组）
2. 在每个市值组内，对因子做标准化
3. 或者更直接：用回归把市值的影响去掉

实践中常用回归法：将因子值对市值作线性回归，以残差作为新的因子值。

import pandas as pd
import statsmodels.api as sm

# 假设 df 包含因子值 factor 和市值 market_cap
# 市值取对数，效果更好
df['log_mkt'] = np.log(df['market_cap'])
X = sm.add_constant(df['log_mkt'])
y = df['factor']

model = sm.OLS(y, X).fit
df['factor_neutral'] = model.resid

# 做完之后，新因子和市值的相关系数应该接近0
print(df[['factor_neutral', 'log_mkt']].corr)

---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)
<ipython-input-6-33aaa14fd86d> in <cell line: 0>()
      4 # 假设 df 包含因子值 factor 和市值 market_cap
      5 # 市值取对数，效果更好
----> 6 df['log_mkt'] = np.log(df['market_cap'])
      7 X = sm.add_constant(df['log_mkt'])
      8 y = df['factor']

NameError: name 'df' is not defined

建议先按市值分组，再在组内标准化，以减弱极端值影响。分组数通常取 10 组或 20 组，视股票数量而定。

5.5.2 风格因子正交化：更彻底的清洗

市值中性化只处理了市值一个维度。但现实中，因子可能和多个风格都有关系。比如，一个盈利增长因子，可能既和市值有关，又和估值有关，还和动量有关。

这时候就需要风格因子正交化。

做法和市值中性化类似，只是把解释变量从市值换成多个风格因子。

# 假设存在市值、估值、动量三个风格因子
style_factors = ['log_mkt', 'pe_ratio', 'momentum_12m']
X = sm.add_constant(df[style_factors])
y = df['factor']

model = sm.OLS(y, X).fit
df['factor_orthogonal'] = model.resid

# 检查正交化后的因子和风格因子的相关性
print(df[['factor_orthogonal'] + style_factors].corr)

需注意：风格因子并非越多越好，过多将削弱因子的有效信息。通常控制在 3–5 个核心风格因子。

注意事项： 正交化不宜过度。若一次性纳入 10 个风格因子，因子 IC 可能降至 0.01 附近并近乎失效，原因往往是将与原始因子高度相关的变量一并纳入。正交化须保留因子的核心信号，并非越彻底越好。

5.5.3 双重中性化：分组+正交的组合拳

有时仅作正交化仍不足够。市值影响可能呈非线性——大盘股与小盘股内部因子表现差异显著。此类情形宜采用双重中性化。

做法分两步：

1. 第一步：按市值分组，在每组内做风格因子正交化
2. 第二步：把各组的结果合并，再做一次整体标准化

即先分组以隔离市值影响，再在组内去除其他风格因素。经此处理的因子，既不受市值分组差异影响，亦不受组内风格相关性干扰。

def double_neutralization(df, group_col='mkt_group', style_factors=['pe_ratio', 'momentum_12m']):
    """
    双重中性化处理
    """
    df['factor_double_neutral'] = np.nan
    
    for group in df[group_col].unique:
        mask = df[group_col] == group
        sub_df = df[mask].copy
        
        # 组内做风格因子正交化
        X = sm.add_constant(sub_df[style_factors])
        y = sub_df['factor']
        
        model = sm.OLS(y, X).fit
        sub_df['factor_neutral'] = model.resid
        
        # 组内标准化
        sub_df['factor_double_neutral'] = (sub_df['factor_neutral'] - sub_df['factor_neutral'].mean) / sub_df['factor_neutral'].std
        
        df.loc[mask, 'factor_double_neutral'] = sub_df['factor_double_neutral'].values
    
    return df

5.5.4 三种方法的对比

方法	处理维度	适用场景	复杂度
市值中性化	仅市值	因子和市值高度相关	低
风格因子正交化	多个风格	因子和多个风格相关	中
双重中性化	分组+正交	市值影响非线性，且有多风格干扰	高

建议：因子研究初期先采用市值中性化；若因子与多个风格均相关，再升级至风格因子正交化；双重中性化通常用于最终模型构建阶段。

5.6 实战中的几点建议

• 先看相关性： 中性化前，先计算因子与各风格因子的相关系数；若相关系数低于 0.1，通常无需中性化。
• 注意时间窗口： 中性化宜滚动进行，通常以过去 12 个月数据作回归，每月更新一次。
• 检查残差分布： 中性化后，检查残差是否接近正态分布；若偏态严重，可能存在未处理的非线性关系。
• 避免过度清洗： 不宜将因子清洗至 IC 接近 0 仍视为干净。目标是有效且干净，而非干净但无效。

若中性化后因子 IC 反而下降，不宜立即放弃，应先核查风格因子选取是否恰当。例如，将波动率作为风格因子正交化，可能削弱低波因子本身——二者本质相同。

中性化处理旨在去除因子中不属于其本身的风格暴露，保留独立信息。处理得当的多因子模型更为纯净，组合稳定性亦相应提升。

完成去极值、标准化与中性化后，因子生产流水线的预处理环节告一段落。

数据清洗与预处理虽看似繁琐，却是因子投资体系的重要基石。实务中，研究精力往往过度集中于模型创新，而对数据清洗与预处理投入不足，导致回测表现难以在实盘中兑现。因此，在因子研究与组合构建过程中，应将数据清洗置于足够重要的位置。