joinquant 因子清洗：winsorize_med 中位数去极值详解

在量化因子研究和多因子模型构建中，原始因子数据常包含极端异常值，这会对后续的因子标准化、中性化以及回归分析产生严重干扰。JoinQuant（聚宽）提供了 winsorize_med 函数，专门用于基于中位数的鲁棒去极值处理。

1. 什么是中位数去极值（MAD 去极值）？

传统的标准差去极值法（如均值上下 3 倍标准差）对异常值本身非常敏感。而中位数去极值法（也称 MAD 去极值法，Median Absolute Deviation）采用中位数和绝对中位差来界定正常数据区间：

$$\text{边界} = [ \text{med} - \text{scale} \times \text{distance}, \text{med} + \text{scale} \times \text{distance} ]$$

其中：

• $\text{med}$ 为因子值的中位数（Median）。
• $\text{distance}$ 为因子值偏离中位数的绝对偏差的中位数（即 MAD）。
• 超过上下边界的数值将被替换为边界值或 np.nan。

2. winsorize_med 函数 API 详解

在 JoinQuant 中，可以通过 jqfactor 模块导入并使用 winsorize_med：

from jqfactor import winsorize_med

winsorize_med(series, scale=1.0, inclusive=True, inf2nan=True, axis=1)

参数说明

返回值

返回经过中位数去极值处理后的因子数据结构（pd.DataFrame 或 pd.Series）。

3. 代码示例

以下示例展示了如何在聚宽平台获取沪深300成分股的因子数据并使用 winsorize_med 进行清洗：

import pandas as pd
import numpy as np
from jqdata import get_index_stocks
from jqfactor import get_factor_values, winsorize_med

# 1. 获取沪深300成分股列表及因子数据
stocks = get_index_stocks('000300.XSHG', date='2023-01-01')
factor_dict = get_factor_values(
    securities=stocks, 
    factors=['PE'], 
    start_date='2023-01-01', 
    end_date='2023-01-05'
)
pe_df = factor_dict['PE']  # 行索引为日期，列索引为股票代码

# 2. 对每日因子数据（按行方向）进行中位数去极值处理
cleaned_pe = winsorize_med(pe_df, scale=1.0, inclusive=True, inf2nan=True, axis=1)

print("原始因子数据形状:", pe_df.shape)
print("清洗后因子数据形状:", cleaned_pe.shape)

4. 因子预处理标准流程提示

在构建量化多因子策略时，通常推荐的因子预处理顺序如下：

1. 去极值：使用 winsorize_med 或 winsorize 去除异常值。
2. 标准化：使用 standardlize 进行 Z-score 标准化。
3. 中性化：使用 neutralize 剔除行业和市值因子的影响。