请问研究里的： def plot_three_returns(): # 通过figsize参数可以指定绘图对象的宽度和高度，单位为英寸； fig = plt.figure(figsize=(20,8)) ax = fig.add_subplot(110) benchmark_id = **['d8fcbe2bea9e544734705aa6290e7d21', '592a279067ced02aa34fc2dffbc0d1dc', '211b17a00d619d069a2f1a8a35601a70']** benchmark_id是什么啊，运行到这里就报错了。

@SOF 哦，这个是我自己的回测结果，您这边是不能获取到的，所有的策略id和回测id都需要调用自己的。文章最后给的回测结果中间代码提取后稍加修改就能得到这几个回测的数据

@Sunx 请问这个中性化是只针对BP的吗？其他因子还要单独写程序还是可以调用函数？大概什么时候能有优矿那样的中性化函数？谢谢

@山河无定 对的，这个研究中只是对BP的。其他因子也可以，就是你在代码中把BP换成其他指标也可以处理别的因子。什么时候再API中集成这样的函数，你at一下管理员问问哈

@Sunx 你好，想问下基准收益怎么来的，谢谢

@112233789基准收益是全部沪市A股平权购买的，每个调仓周期从新调整平权，这里平权相当于对比市值加权调高了小票的权重。因为我们策略中大部分都是平权构建的，因此基准调整后可比性更好一点。

@Sunx 你好，看完文章收货很大，谢谢！读完后，明白了文章中市值中性化的方法，将市值分层后再在各层里对因子排序分组。1个问题没有弄的很清楚： 如何一起完成市值和行业进行中性化？

@Sunx 你好，关于如何一起完成市值和行业进行中性化的问题，我采用了一个简化的办法： 1、将样本股票池按市值大小排序后分层大市值、中市值、小市值 2、分别在大市值、中市值、小市值采用你文章中的办法进行行业中性化，得到3个中性化后的股票池 3、将3个中性化后的股票池合成为最终股票池，进行仓位配置。 这个办法让仓位重的股票大、中、小市值的都有，但比较粗糙仍然会有偏差，不能很好的兼顾市值和行业进行中性化。有没有更好的办法？

@DAVIWANG 看人家处理的方式，一般可以先进行市值中性化，然后组合策略时调整每个行业的权重，比如你有一百只股票要买，那么中间每个行业的比例根据实际比例限制，这样就不会因为某个因子筛选出一些行业超配或者低配的问题

属于强迫症, 看了一下警告, 一个是pb为负数时log警告,这种股票直接剔除也没什么影响吧, 另一个改一下就不会有了 df_BP['BP_mean'] = df_BP['BP_win'][df_BP['MC_group'] == 'group1'].mean() df_BP['BP_mean'] = df_BP.loc[(df_BP['MC_group'] == 'group1'), 'BP_win'].mean()

请问一下我在做行业中性化的时候，如果我是多日多股票的数据，需要不需要分别算每天的数据进行中性化（求每天的均值分别做），还是可以一次性用多日的数据一起算均值计算结果。另外我算出来以后的因子值成了负数这样正常吗？万分感谢回答

要是能合理断句，就完美了

@Sunx 看完代码，怎么感觉这个df_BP['BP_ne']行业中性化不断被下一个行业覆盖呢？ 是否应该改为： #7 获得 winsor 数据 df_BP['BP_ne'] = pd.DataFrame(winsorize(df_BP, 'BP', 2, have_negative)) for x in range(len(industries)): # 生成均值数据 df_BP['BP_mean'][df_BP['industries_brief'] == industries[x][0]] \ = df_BP['BP_win'][df_BP['industries_brief'] == industries[x][0]].mean() # 生成方差数据 df_BP['BP_std'][df_BP['industries_brief'] == industries[x][0]] \ = df_BP['BP_win'][df_BP['industries_brief'] == industries[x][0]].std() df_BP['BP_ne'] = (df_BP['BP_ne'] - df_BP['BP_mean'])/df_BP['BP_std'] 每次循环减去行业残差，而不是每次覆盖。 这样才是一个个行业去完中性化的结果吧？

联合中性化处理 # 假设 df 含列：['stock', 'date', 'factor', 'industry', 'mkt_cap'] def neutralize_factor(df, factor_col='factor', industry_col='industry', size_col='mkt_cap'): """ 对单期截面数据进行行业 + 市值中性化 返回中性化后的因子值 residual """ # 1. 行业虚拟变量 industry_dummies = pd.get_dummies(df[industry_col], prefix='ind', drop_first=True) # 2. 自变量矩阵：行业虚拟变量 + ln(市值) X = pd.concat([np.log(df[size_col]), industry_dummies], axis=1) X = sm.add_constant(X) # 3. 因变量：原始因子值 y = df[factor_col] # 4. 回归拟合 model = sm.OLS(y, X, missing='drop').fit() # 5. 残差 = 中性化后的因子值 df[f'{factor_col}_neutral'] = model.resid return df # ---------------------------- # 多期中性化（按时间分组） # ---------------------------- df_neutralized = ( df.groupby('date', group_keys=False) .apply(lambda x: neutralize_factor(x, 'factor', 'industry', 'mkt_cap')) )