量化因子挖掘是量化投资最核心的环节之一。简单来说，因子就是能够解释和预测股票收益的变量——比如市盈率、动量、波动率等。而”因子挖掘”就是系统性地发现、验证和组合这些变量的过程。
数据清洗：一切因子的地基#
从业者常说”garbage in, garbage out”。量化因子挖掘的第一步不是找因子，而是洗数据。
一个典型的量化数据清洗流程包括以下环节：
缺失值处理。A股财报数据经常出现季度缺失，不能简单删除或用均值填充。实践中，我们通常用前向填充（forward fill）配合行业均值补充交叉使用——对周期性指标（如ROE）用前向填充，对截面可比指标（如市值）用行业均值。
异常值处理。MAD（Median Absolute Deviation）法比Z-score更稳健。我习惯的做法是：先对每个截面的因子值做5倍MAD以外的缩尾处理（winsorize），再做行业市值中性化，最后做标准化。这个三板斧做下来，大部分因子值都处于合理范围。
存活者偏差。这是很多新手容易踩的坑。如果你只拿当前还活着的股票做回测，你会高估收益约15%-30%。必须使用”point-in-time”数据——即回溯到每个历史时刻，使用当时实际存在的股票池。
# 存活者偏差修正示意
def clean_universe(df, trade_date):
"""使用当时实际上市且未退市的股票"""
mask = (
(df['listed_date'] <= trade_date) &
((df['delisted_date'].isna()) | (df['delisted_date'] > trade_date))
)
return df[mask]因子构建：从简单到复杂#
因子构建的路线图大致可以分三个层次：
第一层：基础财务因子。市盈率（PE）、市净率（PB）、ROE、毛利率、营收增速等。这些因子大家都用，关键是看你怎么用——是原始值、同比变化、还是三年均值？参数的选择往往决定因子的效果。
第二层：衍生计算因子。比如用应收账款周转天数加上存货周转天数构造”运营效率因子”，或者把多个估值指标做等权排名加总成”综合估值因子”。这个层次的创造力空间很大。
第三层：另类数据因子。舆情情感得分、供应链关系图谱、卫星图像识别的零售流量等。目前国内比较成熟的是新闻舆情和龙虎榜数据。
一个有意思的发现是：在A股市场，预期数据（分析师一致预期）构造的因子远比历史数据因子效果好。比如，一致预期EPS变化率因子的IC均值能达到0.04-0.06，而历史EP因子的IC均值只有0.02左右。这说明A股市场price in预期信息的速度非常快。
因子检验：IC、IR与分组回测#
构建出一个因子后，需要经过严格的统计检验：
IC（Information Coefficient） 衡量因子值与未来收益的相关性。Rank IC比Pearson IC更稳健，不容易被极端值扭曲。Rank IC > 0.03且IC_IR > 0.5是及格线。
分层回测。把股票按因子值分成5-10组，观察各组未来收益的单调性。理想的分层图是”阶梯状”的——第1组（最便宜/最强动量）收益最高，第10组最低，且间距均匀。
换手率与交易成本。一个IC高达0.08但因换手率200%导致扣费后收益归零的因子，不如一个IC只有0.03但换手率20%的因子。实盘中，交易成本会吃掉因子收益的30%-50%。
因子合成与组合优化#
单个因子很难持续有效。多因子合成通常用以下方法：
- 等权加总：最简单，但对噪音因子没有惩罚
- IC加权：用历史IC作为权重，有一定过拟合风险
- 机器学习：用XGBoost、LightGBM做非线性合成，是目前业界主流
合成后的因子做组合优化时，要注意约束条件：个股上限、行业偏离度、风格暴露等。一个常见的错误是回测做得很好，但组合优化引入了不可控的空头暴露，实盘完全不能做。
写在最后#
因子挖掘是一门手艺活——既需要统计学的严谨，也需要对市场的直觉。数据清洗决定了因子的下限，因子构建能力决定了上限，而因子合成与风控决定了能不能活着赚到钱。
对于初学者，我的建议是：先用3个月把数据清洗流程做到极致，再用单因子检验的方法论把市面上所有经典因子复现一遍，最后才开始尝试自己构建因子。慢就是快。