量化交易中因子标准化与中性化的先后顺序及原理解析

这是一个在多因子模型构建中非常经典且重要的问题。在实际的量化投研中，因子的预处理顺序对最终的因子表现有显著影响。以下是对您两个问题的详细解答：

问题1：标准化的操作是在中性化之前做，还是在中性化之后做？

标准答案是：中性化之前和之后都需要做标准化（通常还伴随着去极值）。

业界标准的单因子预处理流水线（Pipeline）通常是这样的：
去极值 (Winsorize) -> 标准化 (Standardize) -> 中性化 (Neutralize) -> 再次标准化 (Standardize)

为什么要在中性化之前做标准化？
中性化的本质是横截面上的多元线性回归（OLS）。我们将原始因子作为因变量 $Y$，将行业哑变量和市值（通常是对数市值）作为自变量 $X$ 进行回归，取其残差 $\epsilon$ 作为中性化后的新因子。
如果在此之前不做去极值和标准化：

1. 极值影响：线性回归对异常值（Outliers）非常敏感，极值会严重扭曲回归系数，导致算出来的残差失去意义。
2. 量纲问题：不同因子的量纲差异巨大，标准化可以消除量纲影响，使得回归过程更加稳定。

问题2：如果先做标准化，那中性化以后数据的分布岂不是又变成非正态的了吗？

您的直觉非常敏锐，完全正确！

中性化（回归取残差）之后，虽然残差的均值在理论上会接近于0，但其标准差（方差）通常不再是1。此外，剥离了行业和市值的影响后，数据原本的分布形态确实会发生改变，不再是严格的标准正态分布。

如何解决这个问题？
这就是为什么在标准的数据处理流水线中，在中性化之后，我们通常会再进行一次标准化（甚至再做一次去极值+标准化）。

二次标准化的目的在于：

1. 统一量纲：将中性化后的残差重新缩放到均值为0、标准差为1的尺度上，方便后续将多个因子进行等权或加权合成（如果不做二次标准化，不同因子的方差不同，直接相加会导致方差大的因子占据主导地位）。
2. 恢复分布：使其在横截面上重新符合标准正态分布的特征，满足后续优化器或打分模型对数据分布的假设。

附：在 JoinQuant (聚宽) 平台上的代码实现

在 JoinQuant 平台上，可以使用 jqfactor 库中提供的内置函数来优雅地完成这一套流水线：

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

# 假设 data 是一个 DataFrame，index 为因子名称，columns 为股票代码
# 这里以随机生成的数据为例
stocks = get_index_stocks('000300.XSHG', date='2023-01-01')
data = pd.DataFrame(np.random.randn(1, len(stocks)), columns=stocks, index=['my_factor'])

# 1. 去极值 (例如取 5% 和 95% 分位数)
data_win = winsorize(data, qrange=[0.05, 0.95], axis=1)

# 2. 第一次标准化 (Z-score)
data_std1 = standardlize(data_win, axis=1)

# 3. 中性化 (行业 jq_l1 和 市值 market_cap)
# 注意：neutralize 函数内部会自动获取 date 对应的市值和行业数据进行回归
data_neu = neutralize(data_std1, how=['jq_l1', 'market_cap'], date='2023-01-01', axis=1)

# 4. 第二次标准化 (恢复 N(0,1) 分布)
final_factor = standardlize(data_neu, axis=1)

总结：先去极值和标准化是为了保证中性化（回归）的准确性和稳定性；中性化后再次标准化是为了消除回归带来的方差缩放，保证最终因子在横截面上的可比性和可合成性。