缺失值处理
在金融领域，数据是决策的核心，而缺失值处理是确保数据质量的关键环节。缺失值可能导致分析失真，影响风险评估和策略制定。因此，专业的方法如插值、回归或基于算法的预测被用来填补空白，确保数据的完整性和准确性。有效的缺失值处理不仅能提升模型的性能，还能为金融机构提供更可靠的决策依据，从而在复杂多变的市场中保持竞争优势。
AI可视化的数据清洗
AI可视化的因子特征数据清洗
清洗流程
大部分的金工报告中第一步都是提取因子数据，随后就是对这些因子特征数据的清洗。以华泰证券的金工报告为例，数据清洗的标准流程大概包括：
- 缺失值处理（删除或者用行业均值填充）
- 因子异常值处理（固定比例法、均值标准差法、MAD法）
- 行业市值中性化处理（将因子暴露以行业哑变量和市值为变量做线性回归，抽取截距项）
- PCA分析
清洗的目的是使得因子数据摆脱异常值、行业、市值和多重共线性的影响。
特征因子数据清洗模块
def bigquant_run(input_1, input_2, input_3):
#更新时间：2024-06-11 03:29
Pandas使用小技巧
更新时间：2024-05-20 02:34
使用sklearn进行数据预处理
更新时间：2024-05-20 02:09
【历史文档】算子样例-缺失数据处理
更新
本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明
新版量化开发IDE（AIStudio）：
https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW
新版模版策略：
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
新版数据平
更新时间：2024-05-15 08:18
【历史文档】因子构建与标注-因子预处理
更新
本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明
新版量化开发IDE（AIStudio）：
https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW
新版模版策略：
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
新版数据平
更新时间：2024-05-15 06:18
多任务并行进行缺失值和极值处理，单任务跑没问题，多任务跑无结果
https://bigquant.com/experimentshare/38f797c669544973a4b4f85fee6d6842
单任务执行
https://bigquant.com/experimentshare/ff82ae821cff43aa95bed62a48ea8345
\
更新时间：2023-10-09 06:16
关于序列窗口滚动模块怎么处理空数据
请教下大佬们,这里m45模块过滤数据以后当天没有满足的数据 然后到m27(序列窗口滚动)这里的时候因为数据空了会报错 这个地方能不能怎么处理
更新时间：2022-11-09 01:23
自定义数据进行因子分析demo
更新时间：2022-02-21 11:25