因子分十组不一定真有十组：qcut 遇到重复值怎么处理

做因子分层回测时，常见写法是按交易日把股票等分成十组，再观察各组收益是否单调。代码看起来很简单：`pd.qcut(factor, 10)`。但如果因子里有大量重复值，十组未必能顺利生成，最典型的场景是停牌标记、离散评分，或者经过截断后大量样本都落在同一个边界上。

pandas 官方文档说明，`qcut` 是按样本排名或样本分位点切箱；当分箱边界不唯一时，默认会抛出异常。把 `duplicates="drop"` 加上去虽然能继续运行，但它会直接减少箱数。原本设计的十组可能只剩七组，如果后面的代码仍把标签 0 到 9 当成固定组合，收益统计就会出现空组，跨日期比较也会失去统一含义。

我更倾向于先检查当日有效样本数和不同取值数量，再决定分组方式：

def make_group(s, n=10):

valid = s.dropna()

if len(valid) < n or valid.nunique() < n:

return pd.Series(pd.NA, index=s.index, dtype="Int64")

rank = valid.rank(method="average", pct=True)

group = ((rank * n).clip(upper=n) - 1).astype("Int64")

return group.reindex(s.index)

df["group"] = df.groupby("trade_date")["factor"].transform(make_group)

这里使用平均排名，是为了让相同因子值留在同一组，不靠原始行顺序强行拆开并列样本。代价是每组股票数不一定完全相等，但这通常比“同一个因子值随机分到不同组合”更容易解释。若业务确实要求每组数量接近，可以使用 `rank(method="first")` 后再切分，不过必须先按稳定字段排序，否则数据读取顺序变化就可能改变分组结果。

回测输出里最好同时记录计划组数、实际组数、每组样本量和分箱边界。遇到有效股票过少、唯一值不足或某组占比异常时，直接跳过该日或标记质量问题，而不是悄悄补齐标签。分层回测关注的不只是能否算出收益，更重要的是每天的组合定义是否一致、可解释、可复现。