JoinQuant中位数去极值winsorize_med导致analyze_factor报错的完美解决办法

关于 winsorize_med

如果因子处理顺序是：
中位数去极值-》中性化-》标准化

对因子去极值时
winsorize_med(df_x,scale=1,inclusive=True,inf2nan=False,axis=1)

scale取1的话，会导致大量因子都是边界值。

后面传给 analyze_factor 做因子分析就报错了。
错误 'Requested level (factor_quantile) does not match index name (None)'

请问 scale 一般设置多少？
除了修改 scale 大小外，有没有其他办法能解决个问题？

报错原因分析

在传给 analyze_factor 做单因子分析时，底层（通常是 Alphalens）会使用 pandas.qcut 将因子值划分为 N 个分位数（Quantiles）。
当你使用 winsorize_med 且 scale=1 时，去极值的边界非常窄，导致大量因子被强制赋值为相同的边界值。当大量相同的值堆积在边界时，qcut 无法生成唯一的分位数边界（即分位数切分点重叠），从而引发底层的索引错误：Requested level (factor_quantile) does not match index name (None)。

---

问题一：scale 一般设置多少？

在量化金融中，使用中位数绝对偏差（MAD，Median Absolute Deviation）去极值时，scale 通常设置为 3 或 5（即常说的 3倍MAD法 或 5倍MAD法）。

• scale = 3：较为常用，能剔除明显的异常值，同时保留绝大部分有效分布。
• scale = 5：相对宽松，只剔除极端离谱的异常值。
• scale = 1：极其严格，会把大量正常波动的数据视为“极值”并强行拉平，这不仅会导致分位数划分报错，还会严重破坏因子本身的有效信息和分布特征。

建议修改代码为：

winsorize_med(df_x, scale=3, inclusive=True, inf2nan=False, axis=1)

---

问题二：除了修改 scale 大小外，还有没有其他解决办法？

如果由于某些特殊原因，因子本身就存在大量重复值，或者你不想单纯依赖调整 scale，可以尝试以下几种替代方案：

1. 改用分位数去极值（推荐）

相比于 MAD 法，分位数去极值（Percentile Clipping）更容易控制边界值的比例，不会因为分布的偏度导致单侧堆积过多数据。可以使用聚宽的 winsorize 函数：

from jqfactor import winsorize
# 将上下 2.5% 的数据拉平到边界
winsorize(df_x, qrange=[0.025, 0.975], inclusive=True, inf2nan=False, axis=1)

2. 将极值设为 NaN 而不是边界值

如果你认为极值是错误数据（如财务造假或数据异常），而不是“表现极好/极差”的股票，可以将 inclusive 设置为 False。这样极值会被替换为 NaN，在后续处理中被丢弃，从而避免大量相同边界值的堆积：

winsorize_med(df_x, scale=3, inclusive=False, inf2nan=False, axis=1)

3. 减少 analyze_factor 的分位数数量

如果因子值重复较多，切分 5 组或 10 组容易导致边界重叠。你可以尝试在调用 analyze_factor 时，减少 quantiles 的数量（例如从默认的 5 降到 3）：

far = analyze_factor(factor=df_x, quantiles=3, ...)

4. 添加微小的随机噪音（Jitter）

如果因子本身离散度极低（例如某些哑变量因子或打分因子只有几个固定整数），可以通过给因子值加上极小的随机数来打破平局（Tie-breaking），使 qcut 能够成功切分：

import numpy as np
# 添加极小的噪音，不影响因子原本的排序逻辑
noise = np.random.normal(0, 1e-8, df_x.shape)
df_x = df_x + noise

总结

最标准且最合理的做法是将 scale 调整为 3 或 5。scale=1 破坏了因子的截面分布，是导致该报错的根本原因。