get_factor_values函数问题
请问下：get_factor_values得到的因子看板上的因子值，是只是经过公式计算出来未经过数据处理的原始值呢？还是根据看板上说的数据处理方式处理后的值？
问题描述
解决方案
在 JoinQuant 聚宽量化平台中，使用 get_factor_values 函数获取的因子值，绝大部分是未经过数据处理的原始值。
根据聚宽官方 API 文档的说明：
- 默认情况为原始值：除了在因子描述及说明中有特别解释处理方法的因子外，其他的都是原始因子，没有经过处理（即没有经过中性化、去极值、标准化等操作）。
- 特殊情况（如风格因子）：对于 Barra 风险模型中的风格因子（如
size,beta,momentum等），由于其定义本身就包含了标准化、正交化等处理步骤，因此获取到的是处理后的值。但是，计算这些风格因子所依赖的描述因子（如daily_standard_deviation等），获取到的依然是原始值。
如何对原始因子值进行数据处理？
如果您需要对获取到的原始因子值进行去极值、标准化或中性化处理，聚宽提供了专门的数据处理函数，您可以直接调用：
1. 去极值 (Winsorize)
可以使用 winsorize 或 winsorize_med（中位数去极值）函数：
from jqfactor import get_factor_values, winsorize
# 获取原始因子值
factor_data = get_factor_values(securities=['000001.XSHE', '000002.XSHE'], factors=['pb_ratio'], start_date='2023-01-01', end_date='2023-01-01')
df = factor_data['pb_ratio']
# 对因子值进行去极值处理（例如：将 5% 和 95% 分位数之外的值替换为边界值）
processed_df = winsorize(df, qrange=[0.05, 0.95], axis=1)
2. 标准化 (Standardize)
可以使用 standardlize 函数（Z-score 标准化）：
from jqfactor import standardlize
# 对去极值后的数据进行标准化
standardized_df = standardlize(processed_df, axis=1)
3. 中性化 (Neutralize)
可以使用 neutralize 函数，剔除行业和市值等因素的影响：
from jqfactor import neutralize
# 对标准化后的数据进行行业和市值中性化
# 注意：中性化需要指定具体的日期
neutralized_df = neutralize(standardized_df, how=['jq_l1', 'market_cap'], date='2023-01-01', axis=1)
总结：为了保证数据的灵活性，get_factor_values 默认提供原始计算结果。在构建多因子模型时，建议您根据自己的研究需求，使用上述内置函数对原始因子值进行标准的预处理流程（去极值 -> 标准化 -> 中性化）。