4. 案例04：计算换手率因子并做行业中性化
任务说明
本案例基于日频行情数据，用成交量与流通股本计算换手率因子，再按行业分组做去均值处理，得到行业中性化后的换手率因子。核心公式：turnover = volume / float_share，中性化：turnover_neutral = turnover - industry_mean(turnover)。
环境与依赖
pip install pandas numpy完整实现
import pandas as pd
import numpy as np
# 1. 构造最小示例数据：3只股票、2个行业、2个交易日
df = pd.DataFrame({
"date": ["2024-01-02"] * 3 + ["2024-01-03"] * 3,
"code": ["A", "B", "C"] * 2,
"industry": ["银行", "银行", "科技"] * 2,
"volume": [1.0e7, 2.0e7, 3.0e7, 1.5e7, 2.5e7, 4.0e7], # 成交量(股)
"float_share": [1.0e8, 2.0e8, 1.5e8, 1.0e8, 2.0e8, 1.5e8], # 流通股本(股)
})
# 2. 计算换手率因子
df["turnover"] = df["volume"] / df["float_share"]
# 3. 按“日期 + 行业”分组去均值，实现行业中性化
df["turnover_neutral"] = df["turnover"] - df.groupby(
["date", "industry"]
)["turnover"].transform("mean")
print(df[["date", "code", "industry", "turnover", "turnover_neutral"]])
运行与验证
直接运行上述脚本。判定通过条件：
- 每个
(date, industry)分组内，turnover_neutral的均值应约等于 0（浮点误差范围内）。 - 同一分组内两只股票的
turnover_neutral符号相反、绝对值相等（因为只有两只股票时去均值即对称化）。
可用一行代码验证：
print(df.groupby(["date", "industry"])["turnover_neutral"].mean())输出应全部为 0（或接近 0 的极小值）。
关键点
- 中性化必须按
date分组，否则不同交易日的量纲会互相污染。 - 用
transform("mean")而非mean()，可直接把组均值广播回原行，避免 merge。 - 若某行业当日只有 1 只股票，去均值后该股票因子恒为 0，属于正常现象，需在后续使用中注意。