模型训练之前如何快速预处理
由qxiao创建，最终由bqadm 被浏览 7 用户
金融数据（特征、因子）不能直接拿来训练模型，如研报所示： 不需要用户单独通过“自定义模块”写Python代码实现。表达式最近增加了相关的支持。
示例：cut_outliers(return_5)
标准化 标准化:将中性化处理后的因子暴露度序列减去其现在的均值、除以其标准差， 得到一个新的近似服从 N(0, 1)分布的序列。
示例：normalize(cut_outliers(return_5))
中性化 均值法：行业中性化处理能去去除因子在行业上的偏好，处理的逻辑是将行业因子值的均值调整为0，得到新的因子值，即因子减去所处行业因子均值。推荐使用。
示例：pe_ttm_0 - group_mean(industry_sw_level1_0, pe_ttm_0)
回归法：行业市值中性化:将填充缺失值后的因子暴露度对行业哑变量和取对数后的市值 做线性回归，取残差作为新的因子暴露度。优点：可做任何中性化处理，不只是行业和市值。不足：花费较长时间。 示例：neutralize(normalize(cut_outliers(return_5)), [dummy(industry_sw_level1_0, drop_value=[-1, 0, 110000]), normalize(cut_outliers(log(market_cap_0)))]) <注：5年全市场，需要20分钟>
直接在输入特征列表里，写表达式处理就行，截图如下：