可以检验，此种极值处理方式不仅限制了数据的取值，同时保留了原始数据的排序。
极值处理后，需要重新对数据进行标准化；此外，若是描述变量，还需对组合为风
险暴露后的数据进行标准化处理。
2.3.2 缺失值处理
当构成风格因子的描述变量数据只有部分缺失时，我们利用其余未缺失的因子指标来构成风格因子 (权重进行 归一化处理)；当某只股票因子指标全部缺失时 ，我们运用数据替换算法来补足缺失值。具体做法为：使用风格因子未缺失股票数据进行回归，得到回归系数，进而拟合得到缺失股票的风格因子值。
2.3.3 截面回归
在得到风格因子数据后，通过截面回归的方法，即可得到风格因子收益值和其他统计量结果。
通常，大盘股收益相较于小盘股收益具有更多的共性，此外在进行分析时理应对市值占比较高的股票给予较多的关注。参考 Barra 报告，我们在回归模型中，考虑市值的影响，以降低异方差的影响。我们以流通市值平方根为权重进行加权最小二乘回归，得到风格因子收益值。
3、因子数据结果
在这一部分，我们对构建所得数据表进行说明;同时对因子覆盖度结果进行分析；最后，对单个因子的表现进行测试。
3.1 数据表说明
基于因子定义，我们计算了 Barra_Deor（描述变量）、Barra_Basiclt（风格因子）、Barra_Derilt（因子收益）、 Barra_Rv arlt （残差方差）、 Barra_Fc ovlt（因子方差协方差矩阵）等表，时间区间为 2006 年至今；每日进行数据更新2。前 3 个数据表结构见图 1、图 2 和图 3。
图1 Barra_Deor表
图2 Barra_Basiclt表
图3 Barra_Derilt表
