聚宽因子处理实战：如何对截面因子执行去极值、标准化与行业中性化？

在多因子选股策略中，为了消除量纲影响、极端值干扰以及行业和市值因子的暴露，必须对原始因子进行去极值（Winsorization）、**标准化（Standardization）和中性化（Neutralization）**处理。以下是在聚宽（JoinQuant）平台中完成这一标准流程的详细指南及代码实现。

一、 因子预处理三大步骤

1. 去极值 (Winsorize)

   • 目的：消除市场中极端异常值（如暴涨暴跌或财务数据异常）对整体因子的拉偏影响。
   • 聚宽API：jqfactor.winsorize 或 jqfactor.winsorize_med（中位数去极值）。

2. 标准化 (Standardize)

   • 目的：将不同量纲的因子（如ROE是百分比，市值是万亿）转换到同一数量级，便于进行加权合成。
   • 聚宽API：jqfactor.standardlize（采用 Z-Score 方法：$(x - \mu) / \sigma$）。

3. 中性化 (Neutralize)

   • 目的：剔除因子在行业分类和市值大小上的暴露，避免选出来的股票过度集中在某一热门行业或某一市值区间。
   • 聚宽API：jqfactor.neutralize（通过线性回归残差法，对行业哑变量和对数市值进行中性化）。

二、 聚宽代码实战：多因子预处理与加权选股

以下是一个完整的聚宽策略片段，展示了如何获取 roe_ttm（ROE）、growth（成长）、momentum（动量）和 size（市值）因子，并进行预处理后合成综合得分进行选股：

import pandas as pd
import numpy as np
from jqfactor import get_factor_values, winsorize, standardlize, neutralize
from jqdata import get_index_stocks

def preprocess_factors(context):
    # 1. 定义股票池（以沪深300为例）和目标因子
    stocks = get_index_stocks('000300.XSHG', date=context.previous_date)
    factors = ['roe_ttm', 'growth', 'momentum', 'size']
    
    # 2. 获取因子值（获取前一交易日的数据）
    # get_factor_values 返回 dict, key为因子名，value为DataFrame(index为日期，columns为股票代码)
    factor_data_dict = get_factor_values(
        securities=stocks, 
        factors=factors, 
        start_date=context.previous_date, 
        end_date=context.previous_date
    )
    
    processed_factors = {}
    
    for factor in factors:
        # 提取单日因子数据，转为 Series (index为股票代码)
        raw_series = factor_data_dict[factor].iloc[0]
        
        # 步骤一：Winsorize 去极值 (分位数去极值，保留5%到95%之间)
        clean_series = winsorize(raw_series, qrange=[0.05, 0.95], inclusive=True)
        
        # 步骤二：行业与市值中性化
        # 动量、ROE和成长因子需要剔除行业(jq_l1)和市值(market_cap)的影响
        # 市值因子本身不需要做市值中性化，这里我们对非size因子进行中性化
        if factor != 'size':
            clean_series = neutralize(clean_series, how=['jq_l1', 'market_cap'], date=context.previous_date)
        
        # 步骤三：Z-Score 标准化
        final_series = standardlize(clean_series)
        
        processed_factors[factor] = final_series
        
    # 3. 构建多因子DataFrame
    df = pd.DataFrame(processed_factors)
    
    # 4. 因子合成（等权重加权，注意：size因子通常作为风险控制，若作为Alpha，小市值通常给负权重）
    # 综合得分 = ROE + 成长 + 动量 - 市值(偏好小市值)
    df['score'] = df['roe_ttm'] * 0.3 + df['growth'] * 0.3 + df['momentum'] * 0.3 - df['size'] * 0.1
    
    # 5. 排序并选择前10只股票
    buy_list = df['score'].sort_values(ascending=False).head(10).index.tolist()
    
    return buy_list

三、 核心注意事项

1. 避免未来函数：在回测或模拟盘中，获取因子值时，start_date 和 end_date 必须设为 context.previous_date（前一交易日），切勿使用 context.current_dt，因为当前交易日的日频因子在盘中尚未生成。
2. 中性化依赖数据：neutralize 函数依赖当天的行业分类和市值数据。如果传入的 date 对应的数据缺失（例如非交易日），函数将直接返回原始数据而不进行中性化。
3. 停牌股处理：在实际选股前，建议先过滤掉停牌股（可通过 get_current_data() 获取 paused 属性），避免将资金浪费在无法交易的标的上。