3、因子暴露计算：因子暴露的定义、标准化方法（Z-score、百分位数）、截面回归法
因子暴露（Factor Exposure）是衡量每个资产在特定因子上的敏感度或载荷量。在 Drift Monitoring 流程中，暴露计算的准确性与一致性直接决定了漂移检测的可靠性。本节从定义出发，依次介绍三种主流计算方法：Z-score 标准化、百分位数排序法以及截面回归法。
3.1 因子暴露的定义
因子暴露通常指资产收益率对因子收益率的回归系数，或在多因子模型中资产特征在因子上的投影值。对于风格因子（如市值、动量、波动率），暴露值往往由原始特征经过标准化处理后得到；对于宏观因子或统计因子，暴露则通过时间序列回归或截面回归估计。
| 因子类型 | 暴露含义 | 典型计算方式 |
|---|---|---|
| 风格因子 | 资产在风格特征上的相对位置 | 特征标准化（Z-score / 百分位数） |
| 宏观因子 | 资产收益率对宏观变量的敏感度 | 时间序列回归（滚动窗口） |
| 统计因子 | 资产在隐含因子上的载荷 | 截面回归（PCA / 因子模拟组合） |
3.2 Z-score 标准化方法
Z-score 是最常用的截面标准化方法，将原始特征转换为均值为 0、标准差为 1 的标准化分数。公式如下：
Z_i = (X_i - μ_X) / σ_X其中，μ_X 和 σ_X 分别为截面所有资产在特征 X 上的均值与标准差。Z-score 的优点是保留了原始特征的分布形状，且对极端值敏感——这既是优点也是缺点：极端值会导致大部分资产的暴露集中在 ±1 以内，降低区分度。
| 特征 | 说明 |
|---|---|
| 适用场景 | 因子分布近似正态、无极端离群值 |
| 优点 | 保留分布形状；数学性质良好（线性可加） |
| 缺点 | 对极端值敏感；截面样本量不足时不稳定 |
| 漂移监测适配 | 适合监测分布均值和标准差的漂移 |
3.3 百分位数标准化方法
百分位数法将原始特征映射到 [0, 1] 或 [-1, 1] 区间，反映资产在截面中的相对排名位置。常用形式为：
P_i = rank(X_i) / N其中 rank(X_i) 为资产 i 在截面中的升序排名，N 为截面资产总数。百分位数法对极端值不敏感，分布均匀，但会丢失原始特征的间距信息。
| 特征 | 说明 |
|---|---|
| 适用场景 | 因子分布偏态严重、存在极端值 |
| 优点 | 稳健性强；暴露值均匀分布 |
| 缺点 | 丢失间距信息；排名变化在密集区域放大 |
| 漂移监测适配 | 适合监测排名结构的变化（排序漂移） |
3.4 截面回归法
截面回归法通过一期截面数据直接估计因子暴露。以 Barra 风格因子模型为例，在每一期 t，对所有资产进行截面回归：
r_i = α + β_1 * F1_i + β_2 * F2_i + ... + ε_i其中 r_i 为资产 i 的收益率，F1_i、F2_i 为资产 i 在风格因子上的原始特征值（或标准化后的值），β 为因子收益率（因子溢价），ε_i 为残差。截面回归的核心输出是 β 系数，而因子暴露通常指回归系数或特征值本身，取决于模型设定。
在 Drift Monitoring 中，截面回归法常用于以下两种场景：
- 因子收益率估计：以标准化特征为自变量，收益率为因变量，估计每期因子溢价 β，监测 β 的时序稳定性。
- 因子暴露校准：以已知因子收益率为自变量，资产收益率为因变量，估计资产在因子上的暴露系数。
| 维度 | Z-score 标准化 | 百分位数法 | 截面回归法 |
|---|---|---|---|
| 输出类型 | 标准化分数 | 排名比例 | 回归系数 / 特征值 |
| 分布假设 | 近似正态 | 无分布假设 | 线性关系假设 |
| 极端值处理 | 敏感 | 稳健 | 依赖预处理 |
| 计算复杂度 | 低 | 低 | 中 |
| 漂移监测维度 | 均值/标准差漂移 | 排名结构漂移 | 因子溢价/暴露系数漂移 |
3.5 方法选择与实战建议
在 Drift Monitoring 实战中，因子暴露计算方法的选择应遵循以下原则：
- 风格因子（市值、估值、动量）：优先使用 Z-score 标准化，便于监测因子均值和标准差的时序漂移。若因子存在明显偏态（如市值），可先做对数变换再标准化。
- 质量因子（ROE、杠杆率）：推荐百分位数法，因为这些指标常存在极端值，且排名结构比绝对数值更具经济含义。
- 宏观敏感因子（利率、通胀）：使用截面回归法，通过滚动窗口估计暴露系数，监测系数本身的稳定性。
- 统计因子（PCA 因子）：截面回归法结合因子模拟组合，暴露值即为资产在模拟组合上的权重。