聚宽 JoinQuant 因子预处理三步法：去极值、标准化与中性化实战指南

在多因子选股模型中，因子的预处理（去极值、标准化、中性化）是消除异常值影响、统一量纲并剔除行业与市值暴露的关键步骤。聚宽（JoinQuant）平台在其 jqfactor 库中提供了高效的内置函数，支持一站式完成这三步预处理。

以下是在聚宽中对自定义因子进行预处理的标准流程与实战代码：

一、 因子预处理标准三步法流程

1. 第一步：去极值（Winsorization）

   • 目的：消除极值（异常大或异常小的值）对因子暴露和回归分析的干扰。
   • 方法：推荐使用中位数绝对偏差去极值法（MAD, Median Absolute Deviation），相比均值标准差法，它对极值本身更具鲁棒性。聚宽内置函数为 winsorize_med。

2. 第二步：标准化（Standardization / Z-score）

   • 目的：将不同量纲的因子值转化为均值为0、标准差为1的无量纲分布，便于因子合成与比较。
   • 方法：使用 Z-score 标准化。聚宽内置函数为 standardlize。

3. 第三步：中性化（Neutralization）

   • 目的：剔除因子在特定风险暴露（如行业分类、市值大小）上的偏差，获取纯净的超额收益因子。
   • 方法：通过线性回归，将因子值作为因变量，行业哑变量和对数市值作为自变量进行回归，取其残差作为中性化后的新因子值。聚宽内置函数为 neutralize。

二、 聚宽 API 实战代码示例

以下代码展示了如何获取沪深300成分股的原始因子数据，并依次进行中位数去极值、Z-score标准化以及行业与对数市值中性化：

import pandas as pd
import numpy as np
from jqdata import *
# 导入聚宽因子预处理专用库
from jqfactor import winsorize_med, standardlize, neutralize

def preprocess_my_factor(context):
    # 1. 获取目标股票池（以沪深300为例）及当前日期
    date_str = context.current_dt.strftime('%Y-%m-%d')
    stocks = get_index_stocks('000300.XSHG', date=date_str)
    
    # 2. 获取您的自定义因子数据（此处以聚宽因子库中的 'Skewness60' 偏度因子作为示例）
    from jqfactor import get_factor_values
    raw_factor_dict = get_factor_values(
        securities=stocks, 
        factors=['Skewness60'], 
        start_date=date_str, 
        end_date=date_str
    )
    
    # 提取 DataFrame，行索引为日期，列索引为股票代码
    df_raw = raw_factor_dict['Skewness60']
    
    # 3. 因子预处理三步法
    
    # 【第一步】中位数去极值 (MAD)
    # scale=1 表示边界设为 [med - 3 * 1.4826 * MAD, med + 3 * 1.4826 * MAD]
    # axis=1 表示对每一行（即每天的横截面数据）进行处理
    df_winsorized = winsorize_med(df_raw, scale=1, inclusive=True, inf2nan=True, axis=1)
    
    # 【第二步】Z-score 标准化
    # 将去极值后的数据进行标准化，使其均值为0，标准差为1
    df_standardized = standardlize(df_winsorized, inf2nan=True, axis=1)
    
    # 【第三步】行业与市值中性化
    # how 传入中性化基准：'jq_l1' 代表聚宽一级行业，'market_cap' 代表总市值
    # 内部会自动将市值转化为对数市值进行回归
    df_neutralized = neutralize(
        df_standardized, 
        how=['jq_l1', 'market_cap'], 
        date=date_str, 
        axis=1
    )
    
    # 4. 输出处理后的纯净因子值
    log.info("原始因子样例:\n", df_raw.iloc[0].head())
    log.info("预处理后因子样例:\n", df_neutralized.iloc[0].head())
    
    return df_neutralized

三、 注意事项与最佳实践

1. 顺序不可颠倒：必须先进行去极值，再进行标准化。如果先标准化，极值会严重拉拉大标准差，导致标准化后的非极值数据全部缩水。中性化通常放在最后一步。
2. 避免未来数据：在回测或模拟盘中，date 参数必须传入当前逻辑日期（如 context.current_dt），切勿跨日期缓存或使用未来日期，否则会引入未来函数。
3. 停牌股处理：在进行截面预处理前，建议剔除停牌、未上市或退市的股票，以保证截面回归中性化时的样本质量。