4、特征工程（下）：基本面因子、另类数据与特征标准化
好，咱们接着聊特征工程的下半场。
上一章我们把技术指标、量价关系这些“盘面内”的东西讲透了。但说实话，做量化选股，光看K线是不够的。你想想看，一只股票突然涨停，可能是因为财报超预期，也可能是因为某个行业政策突然出台。这些信息，K线里可不会直接告诉你。
所以这一章，我们得把视野拉宽——基本面因子、另类数据，还有那个绕不开的特征标准化。我个人习惯把这三块合在一起讲，因为它们本质上都是在解决同一个问题：如何让模型“看到”更真实的市场。
4.1 基本面因子：从财报里挖金子
基本面因子，说白了就是公司“家底”的数字化表达。PE、PB、ROE这些，大家应该都不陌生。但我要说的是，直接用原始值扔进模型，效果往往很差。
为什么？因为行业不同，估值体系完全不同。一个银行股的PE是5倍，一个科技股的PE是50倍，你能说银行股更便宜吗？不能。所以我们需要做行业中性化处理。
核心思路：将原始因子值减去行业均值，再除以行业标准差。这样得到的“行业相对值”，才是模型真正需要的。
举个例子，我曾在项目中处理过A股的PE数据。直接拿PE做因子，模型选出来的全是银行和钢铁。做了行业中性化之后，才真正捕捉到那些“行业内被低估”的标的。
这里给出一个简单的Python实现：
import pandas as pd
import numpy as np
def industry_neutralize(df, factor_col, industry_col):
"""
行业中性化处理
df: DataFrame，包含因子值和行业标签
factor_col: 因子列名
industry_col: 行业列名
"""
# 按行业分组，计算均值和标准差
grouped = df.groupby(industry_col)[factor_col]
mean = grouped.transform('mean')
std = grouped.transform('std')
# 中性化
df[factor_col + '_neutral'] = (df[factor_col] - mean) / std
return df小提示：对于市值因子，我建议做对数变换后再中性化。因为市值分布是典型的右偏分布，取对数后更接近正态分布，模型更容易学习。
4.2 另类数据：非结构化信息的结构化之路
另类数据，这个词听起来高大上，其实没那么神秘。简单说，就是传统财报和行情数据之外的一切信息。
比如：
- 新闻舆情：上市公司公告、财经新闻、社交媒体讨论
- 供应链数据：上下游企业的开工率、物流数据
- 卫星图像：停车场车辆数、农田作物长势
- 搜索指数：百度指数、微信指数
嗯，这里要注意。另类数据虽然信息量大，但噪声也大。我曾经试过直接用新闻情感得分作为因子，结果模型跑出来的信号全是噪音——因为很多新闻标题是“标题党”，情感得分和实际影响完全脱节。
那怎么办？我的经验是：先聚合，再降维。
比如新闻数据，不要用单条新闻的情感得分，而是用过去N天的情感得分均值、标准差、极值。这样既能平滑噪声，又能保留趋势信息。
避坑指南：我曾经踩过一个坑——把百度指数直接当因子用。结果发现，搜索量高的股票往往是“问题股”（比如暴雷后大家去搜）。后来我改用“搜索量变化率”和“搜索量/成交量”的比值，效果才好起来。
另类数据的处理流程，我画了一张图，方便你理解：
4.3 特征标准化：让模型“看懂”不同尺度的数据
好，数据都准备好了。但有个问题——PE可能是5到50，成交量可能是100万到10亿，新闻情感得分是-1到1。这些数字的量级完全不一样，直接扔进模型，量级大的特征会主导梯度更新。
所以，标准化是必须的。
常用的方法有三种：
| 方法 | 公式 | 适用场景 |
|---|---|---|
| Z-score标准化 | (x - μ) / σ | 数据近似正态分布时效果最好。我常用于基本面因子。 |
| Min-Max归一化 | (x - min) / (max - min) | 数据有明确上下界时使用。比如情感得分[-1,1]。 |
| Rank归一化 | 排序后映射到[0,1] | 数据有异常值时首选。我强烈推荐用于市值、成交量这类长尾分布的数据。 |
我的个人习惯：对于深度学习模型，我几乎只用Rank归一化。为什么？因为金融数据几乎没有严格服从正态分布的，而且异常值特别多。Rank归一化把数据变成均匀分布，既保留了相对顺序，又消除了异常值的影响。你想想看，一个极端值在Z-score下可能变成10个标准差，但在Rank下只是变成了1.0而已。
代码实现也很简单：
from scipy.stats import rankdata
def rank_normalize(series):
"""
Rank归一化：将数据映射到[0,1]区间
"""
ranks = rankdata(series)
return (ranks - 1) / (len(series) - 1)
# 使用示例
df['volume_rank'] = rank_normalize(df['volume'])小技巧：标准化时，一定要在训练集上计算参数，再应用到验证集和测试集。否则会造成数据泄露。我见过有人对整个数据集做标准化，然后做回测，结果回测收益高得离谱——其实就是用了未来信息。
4.4 实战中的几个坑
讲到这里，我想分享几个实战中遇到的坑，希望能帮你少走弯路。
- 基本面因子的滞后性：财报数据通常有1-3个月的滞后。我建议做对齐处理——比如用2023年Q3的财报数据，对应的是2023年10月到12月的交易数据。千万别用未来数据去预测过去。
- 另类数据的“幸存者偏差”：比如新闻数据，只有被报道的公司才有数据。那些没被报道的公司怎么办？我的做法是填充中性值（比如情感得分填0，搜索量填最小值）。
- 标准化后的可解释性：标准化之后，特征的含义变了。比如Z-score后的PE，不再是“市盈率”，而是“市盈率偏离行业均值多少个标准差”。这一点在向业务方解释模型时特别重要。
避坑指南：我曾经犯过一个低级错误——对离散型特征（比如行业代码）也做了标准化。结果模型完全学不到行业信息。记住：类别特征用One-Hot或Embedding，数值特征才做标准化。
好了，这一章的内容就到这里。基本面因子、另类数据、特征标准化，这三块是深度学习选股模型的“基础设施”。基础打好了，后面的模型才能跑得稳。