4、特征工程基础：价格衍生特征、成交量特征与时间序列特征
各位同学好，我是你们的讲师。今天咱们聊聊特征工程里最基础、也最核心的一块——价格和成交量怎么变成模型能吃的“粮食”。
说实话，我见过不少新手一上来就扔一堆原始数据给模型，结果跑出来一团糟。为什么？因为原始价格序列本身噪声太大，模型根本抓不住规律。你想想看，直接拿收盘价去预测，跟拿一堆随机数去预测，区别真不大。
所以，特征工程的第一步，就是把原始数据“翻译”成有意义的信号。今天咱们就拆开揉碎了讲。
核心观点：好的特征 = 对市场微观结构的理解 + 对噪声的合理过滤。别指望模型自己会“悟”出规律，你得帮它一把。
4.1 价格衍生特征：收益率与波动率
价格本身是非平稳的。什么意思？就是今天的100块和明天的100块，意义完全不同。所以咱们得先做差分，把价格变成收益率。
4.1.1 收益率计算
收益率分两种：简单收益率和对数收益率。我个人习惯用对数收益率，尤其是在高频场景下。
为什么？因为对数收益率具有可加性，而且分布更接近正态。你想想看，连续复利假设下，对数收益率天然就是正态的，这对很多模型来说太友好了。
import numpy as np
import pandas as pd
# 假设我们有收盘价序列
prices = pd.Series([100.0, 101.5, 102.3, 101.8, 103.2])
# 简单收益率
simple_returns = prices.pct_change()
print("简单收益率:")
print(simple_returns)
# 对数收益率（我常用的）
log_returns = np.log(prices / prices.shift(1))
print("\n对数收益率:")
print(log_returns)我的经验：在回测时，用对数收益率计算组合收益更准确。因为简单收益率在时间上不可加，你算多期收益时容易出错。我曾经因为这个坑，回测结果和实盘差了0.5%，排查了两天才发现是收益率计算方式的问题。
4.1.2 波动率特征
波动率是高频交易里最重要的风险指标之一。我一般会算三种：
- 历史波动率：过去N期收益率的标准差。简单粗暴，但有效。
- 已实现波动率：日内高频收益率的平方和。这个更精细，适合捕捉日内波动。
- 波动率锥：不同时间尺度下的波动率对比。用来判断当前波动是“异常”还是“正常”。
# 计算滚动波动率（窗口20）
window = 20
rolling_vol = log_returns.rolling(window).std() * np.sqrt(252) # 年化
print("年化波动率:")
print(rolling_vol)注意：波动率计算时，窗口大小的选择很关键。窗口太小，噪声大；窗口太大，反应迟钝。我一般先用5分钟数据试，再根据策略调参。没有银弹，多试。
4.2 成交量特征：VWAP与成交量分布
价格告诉你“值多少钱”，成交量告诉你“有多少人参与”。两者结合，才能看清市场的真实意图。
4.2.1 VWAP（成交量加权平均价格）
VWAP是机构交易者最常用的基准之一。说白了，就是按成交量加权的平均价格。如果当前价格远高于VWAP，说明买方力量强；反之亦然。
# 假设我们有每笔交易数据
df = pd.DataFrame({
'price': [100.1, 100.3, 100.2, 100.5, 100.4],
'volume': [1000, 1500, 800, 2000, 1200]
})
# 计算VWAP
df['dollar_volume'] = df['price'] * df['volume']
vwap = df['dollar_volume'].sum() / df['volume'].sum()
print(f"VWAP: {vwap:.2f}")实战技巧：我习惯把VWAP和价格放在一起看。如果价格突破VWAP且成交量放大，这是个强信号。如果价格在VWAP附近反复震荡，说明市场在犹豫，这时候别急着进场。
4.2.2 成交量分布
成交量分布，就是看成交量在价格区间上的分布情况。哪些价格区间成交最活跃？哪些是“真空区”？
我记得有一次做期货策略，发现某个品种在开盘后前30分钟成交量特别集中，但价格波动不大。后来分析成交量分布才发现，那是做市商在“铺单”，根本不是趋势信号。从那以后，我每次做特征工程都会先画成交量分布图。
# 简单的成交量分布计算
price_bins = pd.cut(df['price'], bins=5)
volume_profile = df.groupby(price_bins)['volume'].sum()
print("成交量分布:")
print(volume_profile)4.3 时间序列特征：滞后项与滚动统计量
时间序列数据有个特点：过去会影响未来。所以我们需要把历史信息“喂”给模型。
4.3.1 滞后项（Lag Features）
滞后项就是把过去N期的值作为当前的特征。比如，用过去5分钟的收益率来预测下一分钟。
# 创建滞后特征
for lag in [1, 2, 3, 5, 10]:
df[f'return_lag_{lag}'] = log_returns.shift(lag)
print("滞后特征示例:")
print(df.head())避坑指南：我曾经一次性加了50个滞后项，结果模型过拟合得一塌糊涂。后来我学乖了：先用ACF/PACF图看相关性衰减速度，只选那些真正有相关性的滞后阶数。一般高频数据，滞后3-5期就够了，再多就是噪声。
4.3.2 滚动统计量
滚动统计量包括滚动均值、滚动标准差、滚动最大值/最小值等。它们能捕捉到局部趋势和波动变化。
# 滚动统计量
window = 10
df['rolling_mean'] = log_returns.rolling(window).mean()
df['rolling_std'] = log_returns.rolling(window).std()
df['rolling_max'] = log_returns.rolling(window).max()
df['rolling_min'] = log_returns.rolling(window).min()
print("滚动统计量:")
print(df[['rolling_mean', 'rolling_std']].head(15))这里有个细节：滚动窗口的大小怎么选？我个人的经验是，先看数据的采样频率。如果是1分钟数据，窗口20（约20分钟）是个不错的起点。如果是Tick级数据，窗口可以设到100甚至更高。但记住，窗口越大，特征越平滑，但也越滞后。
4.3.3 差分与趋势特征
除了滞后项和滚动统计量，我还喜欢加一些趋势特征。比如：
- 价格差分：当前价格与N期前价格的差值。
- 趋势强度：用线性回归拟合最近N期的斜率，作为趋势方向的特征。
- 加速度：收益率的二阶差分，反映趋势变化的速度。
# 趋势强度（用滚动回归计算斜率）
def calc_slope(series):
x = np.arange(len(series))
slope, _ = np.polyfit(x, series, 1)
return slope
df['trend_slope'] = log_returns.rolling(window).apply(calc_slope, raw=False)
print("趋势斜率:")
print(df['trend_slope'].dropna().head())总结一下：特征工程不是越多越好，而是越“对”越好。我见过有人堆了200个特征，结果模型还不如只用10个精心挑选的特征。记住三个原则：
- 相关性：特征和目标变量要有逻辑关联。
- 稳定性：特征的统计性质要随时间保持稳定。
- 可解释性：你至少得知道这个特征在描述什么市场行为。
好了，今天的内容就到这里。这些特征看起来简单，但用好它们，你的模型就已经赢在起跑线上了。下次咱们聊聊怎么把这些特征组合起来，构建一个完整的特征矩阵。