4. 因子计算基础：单因子计算逻辑与标准化处理

因子计算是量化选股的核心环节。原始因子数据通常包含量价信息、财务指标或另类数据，但直接使用原始值进行分层回测会因量纲差异、极端值、行业风格干扰而产生严重偏差。本章系统讲解单因子计算逻辑、Z-score 标准化以及中性化处理，为后续 XGBoost 因子合成与分层回测奠定数据基础。

4.1 单因子计算逻辑

单因子通常分为动量因子、反转因子、波动率因子、价值因子、质量因子等类别。以下以最常见的动量因子与反转因子为例，说明计算逻辑。

4.2 因子标准化：Z-score 方法

不同因子的量纲和分布差异巨大（如动量因子在 [-1, ∞) 区间，市盈率在 (0, ∞) 区间），直接合并或比较会扭曲因子权重。Z-score 标准化将因子转换为均值为 0、标准差为 1 的标准正态分布，公式如下：

# Z-score 标准化实现
import numpy as np
import pandas as pd

def zscore_standardize(factor_series):
    """
    对因子序列进行 Z-score 标准化
    参数:
        factor_series: pd.Series, 原始因子值
    返回:
        pd.Series, 标准化后的因子值
    """
    mean = factor_series.mean()
    std = factor_series.std()
    # 防止除零
    if std == 0:
        return pd.Series(np.zeros_like(factor_series), index=factor_series.index)
    return (factor_series - mean) / std

# 示例：对动量因子进行标准化
mom_factor = pd.Series([0.05, -0.02, 0.12, 0.03, -0.08, 0.07])
mom_zscore = zscore_standardize(mom_factor)
print(mom_zscore)
# 输出: 0.23, -0.85, 1.37, -0.08, -1.62, 0.95

4.3 因子中性化处理

原始因子往往与市场风格（市值、行业、波动率等）高度相关。例如，小市值股票天然具有更高的动量收益，若不剔除市值影响，动量因子的选股能力会被小市值风格干扰。中性化处理的核心是 回归残差法：

1. 确定中性化变量：通常包括行业哑变量（申万一级/二级行业）和市值对数（log_market_cap）。
2. 建立回归模型：以原始因子为因变量，中性化变量为自变量，进行横截面回归。
3. 提取残差：回归残差即为剔除风格影响后的纯净因子。

# 因子中性化实现（横截面回归）
import statsmodels.api as sm

def neutralize_factor(factor_df, industry_dummies, log_mkt_cap):
    """
    对因子进行行业 + 市值中性化
    参数:
        factor_df: pd.DataFrame, 包含 'factor' 列
        industry_dummies: pd.DataFrame, 行业哑变量（one-hot）
        log_mkt_cap: pd.Series, 对数市值
    返回:
        pd.Series, 中性化后的因子残差
    """
    # 合并自变量
    X = pd.concat([industry_dummies, log_mkt_cap], axis=1)
    X = sm.add_constant(X)  # 添加截距项
    y = factor_df['factor']
    
    # 回归
    model = sm.OLS(y, X, missing='drop').fit()
    residuals = model.resid
    
    return residuals

# 示例：对动量因子进行行业市值中性化
# factor_df 包含股票代码、因子值、行业、市值等列
# neutralized_factor = neutralize_factor(factor_df, industry_dummies, log_mkt_cap)

4.4 因子处理流程总览

4.5 实战案例：完整因子处理流水线

以下代码展示从原始数据到标准化因子的完整流水线，包含去极值、中性化、标准化三个核心步骤：

import pandas as pd
import numpy as np
import statsmodels.api as sm

def factor_pipeline(factor_raw, industry_dummies, log_mkt_cap, 
                    method='mad', mad_thresh=5):
    """
    因子处理完整流水线
    参数:
        factor_raw: pd.Series, 原始因子值
        industry_dummies: pd.DataFrame, 行业哑变量
        log_mkt_cap: pd.Series, 对数市值
        method: str, 去极值方法 ('mad' 或 'quantile')
        mad_thresh: float, MAD 截尾倍数
    返回:
        pd.Series, 处理后的标准因子
    """
    # 1. 去极值
    if method == 'mad':
        median = factor_raw.median()
        mad = np.median(np.abs(factor_raw - median))
        upper = median + mad_thresh * mad
        lower = median - mad_thresh * mad
        factor_clipped = factor_raw.clip(lower, upper)
    elif method == 'quantile':
        q1 = factor_raw.quantile(0.01)
        q99 = factor_raw.quantile(0.99)
        factor_clipped = factor_raw.clip(q1, q99)
    else:
        raise ValueError("method must be 'mad' or 'quantile'")
    
    # 2. 中性化（行业 + 市值）
    X = pd.concat([industry_dummies, log_mkt_cap], axis=1)
    X = sm.add_constant(X)
    y = factor_clipped
    model = sm.OLS(y, X, missing='drop').fit()
    factor_neutral = model.resid
    
    # 3. Z-score 标准化
    mean = factor_neutral.mean()
    std = factor_neutral.std()
    if std == 0:
        factor_standard = pd.Series(np.zeros_like(factor_neutral), 
                                    index=factor_neutral.index)
    else:
        factor_standard = (factor_neutral - mean) / std
    
    return factor_standard

# 使用示例
# factor_clean = factor_pipeline(mom_factor, ind_dummies, log_mkt_cap, method='mad')

4.6 常见问题与避坑指南