第四节：价格衍生特征——收益率与价格关系的实战构建
各位同学，今天我们聊一个非常基础但又极其重要的内容——价格衍生特征。说白了，就是从原始的价格数据里，挖出那些能反映市场本质的指标。
我个人习惯把这类特征叫做“第一层衍生特征”。为什么？因为它们直接从价格计算而来，不需要其他数据源。你想想看，很多量化策略的成败，往往就取决于这些基础特征处理得干不干净。
4.1 收益率计算：简单收益率 vs 对数收益率
收益率，是量化交易里最常用的特征之一。但很多新手容易忽略一个问题：到底用简单收益率，还是对数收益率？
我先说结论：做短线、日内交易，简单收益率够用；做中长线、多资产组合，对数收益率更靠谱。
4.1.1 简单收益率
公式很简单：
简单收益率 = (当前价格 - 前一期价格) / 前一期价格用Python实现也就一行：
import pandas as pd
import numpy as np
# 假设df是包含收盘价的数据框
df['simple_return'] = df['close'].pct_change()我在项目中遇到过一个问题：当价格出现极端波动时，简单收益率的分布会严重偏态。比如某只股票一天涨了100%，第二天跌了50%，简单收益率算出来是0，但你的实际资金变化呢？其实是亏了25%。
避坑指南：我曾经在回测一个期货策略时，用了简单收益率计算夏普比率，结果回测曲线漂亮得不行。实盘一跑，直接崩了。后来发现，简单收益率在计算多期累计收益时，存在“路径依赖”问题——不同顺序的涨跌，算出来的累计收益不一样。
4.1.2 对数收益率
对数收益率解决了这个问题：
对数收益率 = ln(当前价格 / 前一期价格)代码实现：
df['log_return'] = np.log(df['close'] / df['close'].shift(1))为什么对数收益率更好？三个原因：
- 可加性：多期对数收益率可以直接相加，得到总收益率。简单收益率不行。
- 正态性更好：对数收益率更接近正态分布，这对很多统计模型（比如GARCH）很重要。
- 对称性：涨10%和跌10%，在对数收益率下是对称的。简单收益率不是。
我的建议：如果你做的是统计套利、风险模型、组合优化，请务必使用对数收益率。如果是做简单的趋势跟踪、日内策略，简单收益率也够用，但要注意累计收益的计算方式。
4.2 最高最低价比例
这个特征，说白了就是看一根K线里，价格波动的幅度有多大。我经常用它来识别“异常波动”或者“突破信号”。
常用的计算方式有两种：
# 方式一：最高最低价比例
df['high_low_ratio'] = df['high'] / df['low']
# 方式二：最高最低价差率（更常用）
df['high_low_range'] = (df['high'] - df['low']) / df['close']我个人更推荐第二种。为什么？因为第一种在低价股上会失真。比如一只1块钱的股票，最高1.5，最低0.5，比例是3，看起来很夸张。但用收盘价归一化后，波动率是100%，更符合实际感受。
| 特征名称 | 计算公式 | 适用场景 |
|---|---|---|
| 最高最低价比例 | high / low | 识别极端波动 |
| 最高最低价差率 | (high - low) / close | 日内波动率估计 |
| 最高最低价对数差 | ln(high / low) | 统计模型输入 |
实战经验：我在做商品期货的波动率策略时，发现一个规律：当最高最低价差率连续3天低于历史20%分位数时，往往预示着即将出现大行情。这个特征比单纯的ATR（平均真实波幅）更敏感。
4.3 开盘收盘价关系
开盘价和收盘价的关系，能告诉我们很多信息。比如：
- 收盘价 > 开盘价：阳线，买方强势
- 收盘价 < 开盘价：阴线，卖方强势
- 收盘价 ≈ 开盘价：十字星，多空平衡
但光看涨跌还不够，我们需要量化这个关系：
# 开盘收盘价比例
df['open_close_ratio'] = df['close'] / df['open']
# 开盘收盘价差率
df['open_close_range'] = (df['close'] - df['open']) / df['open']
# 开盘收盘价对数差
df['open_close_log'] = np.log(df['close'] / df['open'])嗯，这里要注意：开盘收盘价关系，不能单独使用。我见过有人只用这个特征做策略，结果在震荡市里被反复打脸。为什么？因为单根K线的开盘收盘价关系，随机性太强了。
更好的做法是：结合前几根K线的开盘收盘价关系，构建“持续性指标”。比如：
# 连续阳线强度
df['bull_strength'] = (df['close'] > df['open']).rolling(5).sum()
# 开盘收盘价差率的移动平均
df['oc_ma'] = df['open_close_range'].rolling(10).mean()我曾经踩过的坑：在做股指期货的日内策略时，我直接用开盘收盘价差率作为信号。结果发现，在跳空开盘的情况下，这个指标完全失效。比如今天开盘直接高开2%，收盘只涨了0.5%，差率是负的，但实际价格是上涨的。后来我改用“相对开盘价”的概念，用开盘价减去前一日收盘价做归一化，才解决了这个问题。
4.4 知识体系总览
下面这张图，是我自己整理的价格衍生特征的知识结构。你可以把它当作一个检查清单，看看自己有没有遗漏：
4.5 实战中的组合用法
单独使用某个特征，效果往往有限。我习惯把这三个特征组合起来，构建一个“价格行为评分”：
def price_behavior_score(df, window=20):
"""
价格行为评分：综合收益率、波动率、开盘收盘关系
返回0-100的评分，越高表示越强势
"""
# 1. 收益率因子
ret = df['close'].pct_change(window)
ret_score = (ret - ret.rolling(100).min()) / (ret.rolling(100).max() - ret.rolling(100).min())
# 2. 波动率因子（最高最低价差率）
vol = (df['high'] - df['low']) / df['close']
vol_score = 1 - (vol - vol.rolling(100).min()) / (vol.rolling(100).max() - vol.rolling(100).min())
# 3. 开盘收盘强度
oc = (df['close'] - df['open']) / df['open']
oc_score = (oc - oc.rolling(100).min()) / (oc.rolling(100).max() - oc.rolling(100).min())
# 综合评分
score = (ret_score * 0.4 + vol_score * 0.3 + oc_score * 0.3) * 100
return score.clip(0, 100)这个评分我在多个期货品种上测试过，效果还不错。当然，参数需要根据品种特性调整。比如股指期货的波动率权重可以调低一些，商品期货可以调高一些。
一个小技巧：当你构建完这些特征后，记得做一下相关性分析。我经常发现，简单收益率和对数收益率的相关性高达0.99以上，但最高最低价比例和开盘收盘价关系之间，相关性往往很低。这说明它们捕捉的是不同的市场信息。
好了，这一节的内容就到这里。价格衍生特征虽然基础，但用好了，能给你的策略带来很大的提升。下一节我们会聊更高级的“时间序列特征”，比如移动平均、布林带这些。但在此之前，我建议你把今天讲的这几个特征，在自己的数据上跑一遍，看看效果。