中性化：为什么要控制变量

前面几篇反复提到一个问题：价值因子可能变成"买一堆银行"，低波动因子可能变成"押注公用事业"，质量因子的多头可能永远是同一批大公司。这些都不是因子本身在起作用，而是它被别的东西污染了。中性化就是解决这个问题的标准手段。

先看一个具体例子

假设你在全市场按市净率从低到高排序，买最便宜的一批。结果会怎样？很可能一半以上是银行。因为银行业的市净率整体就低。

这时候你的组合赚的是什么？不是"便宜"，而是"银行业在这段时间表现好"。一旦银行业走弱，组合就会跟着跌，而你原本以为自己买的是"便宜的股票"。

这就是没有控制变量的结果：你以为在赌 A，其实在赌 B。

中性化在做什么

核心思路很朴素：把已知的其他影响因素先解释掉，只看剩下的部分。

具体到行业中性，做法是：在每个行业内，对因子值做标准化（减行业均值、除行业标准差）。这样处理后，每个行业内都有一半股票在均值以上、一半在均值以下，因子的选股能力不再依赖行业之间的差异。

更通用的做法是回归取残差：把因子值对行业虚拟变量（以及市值等对数值）做横截面回归，取回归的残差作为中性化后的因子值。残差就是"被行业和市值解释完之后，剩下的那部分"。

市值中性为什么要单独做

市值的影响尤其大。很多因子与市值高度相关——小市值股票往往估值贵、盈利差、波动大。如果不做市值中性，一个"质量因子"实际可能只是在选大公司，或者一个"成长因子"实际只是小市值风格。

所以实务中，市值中性几乎是默认步骤，行业中性则取决于策略定位：如果你明确想做行业轮动，那就不该做行业中性；如果你要做的是选股，行业中性通常是必要的。

中性化不是万能的

有三点要注意：

其一，中性化会改变因子的收益来源。中性化后的因子，收益通常比原来低一些，但也更纯粹、更稳定。这是正常的——你放弃的是行业贝塔，换来的是对行业波动不敏感。

其二，中性化会损失一部分信息。如果被剥掉的行业差异里确实有可用信息，中性化就等于主动放弃了它。所以要先想清楚策略定位，再决定中性化哪些变量。

其三，中性化引入新的估计问题。行业内样本少的时候，行业均值和标准差的估计误差很大，中性化反而引入噪声。小行业尤其明显，常见的处理是对样本数过少的行业不单独中性化，而是并入相近的类别。

一句人话：中性化就是"排除干扰项"。你想证明的是"便宜的股票更好"，那就得先把"有些行业整体便宜"这个因素摘掉，否则你说不清赚的是哪一份钱。

写在最后

因子处理干净之后，下一步是把它变成实际的持仓。下一篇讲组合构建：从因子分数到真实仓位，中间还要过哪些约束。