量化交易中因子标准化应该用横截面还是时间序列？

在量化多因子选股模型中，绝大多数情况下应该对“横截面（Cross-Section）”进行标准化，而不是时间序列。

你发现两者对分析结果影响巨大是非常正常的，因为它们背后的金融逻辑和数学意义完全不同。以下是深度的对比解析：

1. 为什么多因子选股要用“横截面标准化”？

横截面标准化是指在同一个时间点（例如某一天），将所有股票的该因子值进行标准化（通常是 Z-score 标准化，即减去均值除以标准差）。

• 核心逻辑：比较相对强弱。 多因子选股的核心是“选股”，即在同一天里，找出哪些股票比其他股票更好。比如市盈率（PE），在牛市中全市场的 PE 可能都很高（平均 30 倍），在熊市中都很低（平均 15 倍）。如果一只股票的 PE 是 20 倍，在牛市中它算“低估”，在熊市中它算“高估”。横截面标准化能够剔除市场整体环境（大盘涨跌、宏观周期）的影响，纯粹反映该股票在当前市场所有股票中的相对排位和偏离度。
• 消除量纲与极值影响： 将不同量纲的因子（如市值、换手率、ROE）统一到均值为0、标准差为1的分布上，方便后续的因子等权或加权打分。

2. 为什么通常不用“时间序列标准化”？

时间序列标准化是指对同一只股票在不同时间点的历史因子值进行标准化。

• 核心逻辑：比较历史自身。 它反映的是这只股票当前的因子值相对于它自己过去一段时间是高还是低。
• 为什么选股不用它？
  1. 宏观环境漂移： 随着时间推移，通货膨胀、市场扩容、行业周期等会导致因子的绝对值发生趋势性变化。用今天的数值和三年前的数值直接做标准化，往往会引入巨大的宏观噪音。
  2. 截面不可比： 如果股票A的PE处于自身历史的低位（Z-score=-1），股票B的PE处于自身历史的高位（Z-score=1），这并不意味着股票A现在的PE绝对值比股票B低。在截面上将它们放在一起打分，会导致逻辑混乱。
• 适用场景： 时间序列标准化通常用于择时策略（CTA）或宏观因子分析，即判断某单一资产当前是否处于历史极端位置，从而决定买卖时机，而不是用于横向选股。

3. JoinQuant (聚宽) 平台中的标准化实现

在 JoinQuant 平台中，官方提供的 standardlize 函数默认就是针对横截面进行处理的。假设你传入的 DataFrame 行（index）是日期，列（columns）是股票代码：

import pandas as pd
import numpy as np
from jqfactor import standardlize

# 假设 data 是一个 DataFrame，index 为日期，columns 为股票代码
# axis=1 表示对每一行（即每一天的横截面所有股票）进行标准化
standardized_data = standardlize(data, inf2nan=True, axis=1)

总结建议

如果你在做多因子选股（Alpha策略），请务必坚持使用横截面标准化（配合横截面去极值、横截面行业/市值中性化）。只有这样，你的因子值才能真实反映出股票在截面上的相对投资价值，从而保证因子IC分析、分层回测结果的有效性和逻辑自洽。