3、单因子构建：以市盈率(PE)为例构建价值因子、计算因子暴露度

好，我们正式开始动手了。

前面两章聊了多因子模型的整体框架和数据清洗，算是把地基打好了。这一章我们干点实在的——拿市盈率（PE）这个最经典的价值因子，完整走一遍单因子构建的流程。从原始数据到因子暴露度，每一步我都会把我在实战中踩过的坑、总结的经验揉进去。

3.1 为什么选市盈率作为第一个因子？

你想想看，市盈率是A股市场里认知度最高的指标之一。散户看PE，机构也看PE。但恰恰因为太常见，很多人反而用错了。

我个人习惯，在搭建多因子模型时，第一个因子一定选一个逻辑清晰、数据可得性高的。PE完美符合这两个条件：

• 逻辑清晰：低PE代表相对便宜，高PE代表相对贵。价值投资的核心就是买便宜货。
• 数据可得：日频PE数据在Wind、聚宽、Tushare上都能直接拿到，不需要复杂计算。

3.2 原始PE数据的获取与预处理

先看数据长什么样。我从聚宽API拉了一天的截面数据，大概长这样：

# 伪代码示例：获取某交易日全部A股的PE数据
import pandas as pd
import numpy as np

# 假设从数据源获取了原始数据
raw_data = {
    'stock_code': ['000001.XSHE', '000002.XSHE', '600519.XSHG', ...],
    'pe_ttm': [8.5, 12.3, 35.6, ...],  # 滚动市盈率
    'market_cap': [1.2e10, 2.5e10, 2.1e11, ...]
}
df = pd.DataFrame(raw_data)
print(df.head())

拿到数据后，第一件事不是算因子，而是做质量检查。我在项目中遇到过好几次，数据源里混着PE为负值或极端值的股票，如果不处理，后面整个因子暴露度都会偏掉。

3.3 异常值处理：别让极端值毁了你的因子

原始PE数据有几个典型问题：

• 负PE：亏损企业的PE是负的，这类股票在价值因子里怎么处理？
• 极端大值：有些微利企业PE能到几千倍，这种值放进模型就是噪音。
• 缺失值：新股或停牌股可能没有PE数据。

我的处理方案是这样的：

# 第一步：剔除PE为负的股票（亏损企业单独处理）
df = df[df['pe_ttm'] > 0].copy()

# 第二步：MAD法去极值（中位数绝对偏差法）
median_pe = df['pe_ttm'].median()
mad = np.median(np.abs(df['pe_ttm'] - median_pe))
upper_limit = median_pe + 5 * mad
lower_limit = median_pe - 5 * mad
df['pe_trimmed'] = df['pe_ttm'].clip(lower_limit, upper_limit)

# 第三步：缺失值用行业均值填充
# 这里省略行业分类代码，实际项目中按申万一级行业填充

3.4 因子暴露度的计算：标准化是关键

处理完异常值，接下来就是核心步骤——计算因子暴露度。说白了，就是把PE值映射到一个可比较的尺度上。

我常用的标准化方法有三种，各有适用场景：

方法	公式	适用场景	我的经验
Z-score标准化	(x - μ) / σ	因子值近似正态分布	PE不太适用，分布偏态严重
排序百分位	rank(x) / N	任何分布，稳健性高	我最常用的方法，推荐
分位数映射	映射到[0,1]区间	需要控制极端值影响	与排序法类似，但更精细

我个人习惯用排序百分位法。原因很简单——它不依赖分布假设，而且天然把因子暴露度控制在0到1之间，方便后续与其他因子合成。

# 排序百分位法计算因子暴露度
df['pe_rank'] = df['pe_trimmed'].rank()
df['pe_exposure'] = df['pe_rank'] / len(df)

# 注意：价值因子是低PE好，所以暴露度要取反
# 即PE越低，价值因子暴露度越高
df['value_exposure'] = 1 - df['pe_exposure']

print(df[['stock_code', 'pe_ttm', 'pe_trimmed', 'value_exposure']].head(10))

3.5 行业与市值中性化：别让风格干扰因子纯度

嗯，这里要注意。直接算出来的价值因子暴露度，其实混杂了行业和市值的影响。比如银行股普遍PE低，科技股普遍PE高。如果不做中性化处理，你的价值因子本质上是在选行业，而不是选股票。

中性化的做法很简单——对因子暴露度做回归，把行业和市值的贡献剥离掉：

# 行业市值中性化（伪代码）
# 假设已有行业哑变量和市值对数
import statsmodels.api as sm

X = pd.get_dummies(df['industry'], prefix='ind')
X['log_market_cap'] = np.log(df['market_cap'])
X = sm.add_constant(X)

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

# 最后再做一次标准化，让中性化后的暴露度均值为0，标准差为1
df['value_exposure_neutral'] = (df['value_exposure_neutral'] - 
                                df['value_exposure_neutral'].mean()) / df['value_exposure_neutral'].std()

做完中性化后，你再去看因子暴露度最高的股票，会发现它们不再是清一色的银行股，而是各个行业里相对便宜的股票。这才是我们想要的价值因子。

3.6 本章核心流程总览

说了这么多，我画了一张流程图，把整个单因子构建的步骤串起来。你照着这个流程走，基本不会出大问题。

3.7 实战中的几个坑

最后，分享几个我在实战中踩过的坑，希望能帮你省点时间：

• 坑一：PE数据源不一致。不同数据商对PE的计算口径不同（有的用静态PE，有的用TTM PE）。我建议统一用TTM PE，因为它能反映最新盈利情况。
• 坑二：忘记做行业中性化。我曾经有一个策略回测表现很好，结果实盘就崩了。后来发现是因为因子暴露度里全是行业偏好，市场风格一转就完蛋。
• 坑三：暴露度更新频率。PE每天都会变，但因子暴露度不需要每天重算。我个人习惯每周更新一次，既保证时效性，又避免过度交易。