为什么JoinQuant聚宽因子库中的PEG值会大量缺失？

在 JoinQuant（聚宽）平台上，因子库中 PEG（市盈率相对盈利增长比率）值大量缺失的情况是广泛存在的，并且这确实是由**明确的特殊原因（算法定义限制）**造成的。

核心原因分析

根据 JoinQuant 官方 API 文档中关于成长因子的定义，PEG 的计算公式及特殊处理逻辑如下：

• 计算公式：PEG = PE / (归母公司净利润(TTM)增长率 * 100)
• 官方特殊处理逻辑：如果 PE 或 增长率为负，则为 nan。

这意味着，只要一家上市公司出现以下两种情况之一，其 PEG 因子值就会在聚宽因子库中显示为缺失（nan）：

1. 公司亏损：导致市盈率（PE）为负数。
2. 业绩下滑：归母净利润(TTM)较上一周期出现负增长。

在 A 股市场中，处于周期底部、业绩短期下滑或本身尚未盈利的公司数量庞大，这就直接导致了在横截面数据上，PEG 因子会出现大面积的 nan 值。

其他次要原因

除了上述核心算法限制外，还有一些常规的财务数据原因会导致缺失：

• 上市时间不足：次新股可能缺乏足够的数据来计算 TTM（滚动十二个月）的利润增长率。
• 财报未披露：部分公司可能因各种原因未及时披露财务数据，导致基础依赖数据缺失。

量化策略中的处理建议

面对大量缺失的 PEG 数据，在编写量化策略时可以采取以下几种处理方式：

1. 直接剔除（推荐）：PEG 因子通常用于寻找“高成长且估值合理”的股票。既然 PEG 为 nan 意味着公司亏损或业绩下滑，这本身就违背了 PEG 选股的初衷。因此，在选股逻辑中直接过滤掉 PEG 为 nan 的股票是最符合逻辑的做法。

   # 假设 df 是包含 PEG 因子的 DataFrame
   df = df.dropna(subset=['PEG'])
   

2. 行业均值填充：如果您在进行多因子打分或回归模型，必须保留这些样本，可以使用聚宽提供的数据处理函数进行行业均值填充。例如在使用 neutralize（中性化）函数时，利用 fillna 参数：

   from jqfactor import neutralize
   # 使用申万一级行业均值填充缺失值
   neutralize(data, how=['sw_l1'], fillna='sw_l1')
   

3. 极值处理：在填充缺失值前后，建议结合 winsorize（去极值）函数，防止部分微利且微增长的公司产生极大的 PEG 值干扰模型。

总结来说，PEG 值的缺失是聚宽为了保证因子经济学意义而做的刻意设计，在策略开发时应将其视为“不符合成长股特征”的信号进行合理处理。