第三章：技术指标与特征工程
做量化交易的朋友，十有八九都是从技术指标入门的。我记得刚接触加密货币那会儿，看着K线图上花花绿绿的线，第一反应就是——这玩意儿真能赚钱？后来踩了不少坑，才慢慢明白：技术指标本身不是圣杯，但把它们变成有效的特征，才是策略赚钱的关键。
这一章，咱们就聊聊怎么把那些烂大街的指标，变成你策略里的“秘密武器”。
3.1 常见技术指标：不只是画线那么简单
先说说三个最基础的指标。嗯，你可能觉得太简单了，但我敢打赌，大部分人用错了。
3.1.1 移动平均线（MA）
MA说白了就是过去N根K线的平均价。但这里有个坑——你用的是简单移动平均（SMA）还是指数移动平均（EMA）？
我个人习惯在趋势行情里用EMA，因为它对价格变化更敏感。震荡行情里反而用SMA，更平滑，假信号少一些。
- 金叉死叉：短期MA上穿长期MA做多，反之做空
- 价格与MA的关系：价格在MA上方看多，下方看空
- MA斜率：斜率向上表示趋势强劲
我曾经在BTC的15分钟图上用MA5和MA20做短线，结果被来回打脸。后来发现，加密货币的波动率比股票高太多，MA的参数得调大才行。
3.1.2 相对强弱指数（RSI）
RSI衡量的是过去一段时间内价格上涨和下跌的力度。取值范围0-100，一般认为超过70是超买，低于30是超卖。
但这里有个问题——加密货币经常出现RSI到80还在涨，到20还在跌的情况。为什么？因为极端行情下，RSI会钝化。
3.1.3 平滑异同移动平均线（MACD）
MACD由三部分组成：DIF线（快线）、DEA线（慢线）、柱状图。核心逻辑是看两条线的交叉和柱状图的变化。
我个人觉得，MACD最有价值的是它的背离信号。价格创新高，但MACD没创新高——这叫顶背离，大概率要跌。反过来就是底背离。
3.2 自定义特征构建：把指标变成你的武器
光用现成的指标，大家都能用，凭什么你赚钱？真正的功夫在自定义特征上。
3.2.1 特征构建的思路
说白了，特征构建就是把原始数据（价格、成交量）和基础指标，通过数学变换，变成更能反映市场状态的新变量。
我常用的几种方法：
- 比值类：比如成交量/MA成交量，用来衡量当前成交量的异常程度
- 差值类：比如快线MA - 慢线MA，用来衡量趋势强度
- 归一化类：比如(当前价格 - 过去N天最低价) / (过去N天最高价 - 过去N天最低价)，把价格映射到0-1之间
- 统计类：比如过去N根K线的标准差、偏度、峰度
3.2.2 实战案例：构建一个“多空强度”特征
我记得在2023年做ETH策略时，发现单纯用RSI效果不好。后来我构建了一个自定义特征：
# 多空强度特征
def calc_bear_bull_strength(df, period=14):
# 计算上涨和下跌的成交量加权
up_volume = df['volume'] * (df['close'] > df['open']).astype(int)
down_volume = df['volume'] * (df['close'] < df['open']).astype(int)
# 计算多空强度比
bull_strength = up_volume.rolling(period).sum()
bear_strength = down_volume.rolling(period).sum()
# 归一化到-1到1之间
strength = (bull_strength - bear_strength) / (bull_strength + bear_strength + 1e-10)
return strength这个特征的效果比单纯用RSI好很多。为什么？因为它把成交量也考虑进去了，能更真实地反映多空力量对比。
3.3 特征选择方法：别让垃圾特征毁了你的模型
你想想看，如果你构建了100个特征，但其中90个都是噪音，模型能学好吗？肯定不能。所以特征选择这一步，比构建特征还重要。
3.3.1 过滤法
最简单粗暴的方法。计算每个特征和目标变量的相关性，只保留相关性高的特征。
| 方法 | 原理 | 优缺点 |
|---|---|---|
| 皮尔逊相关系数 | 衡量线性相关性 | 简单快速，但只能检测线性关系 |
| 互信息 | 衡量非线性相关性 | 能检测复杂关系，但计算慢 |
| 方差阈值 | 删除方差太小的特征 | 适合过滤常数特征 |
3.3.2 包裹法
把特征选择当成一个搜索问题。比如递归特征消除（RFE），每次删除一个最不重要的特征，直到达到目标特征数。
我曾经在BTC的日线数据上用过RFE，从50个特征里选出了12个。效果确实比全量特征好，但训练时间长了10倍。嗯，这算是个取舍。
3.3.3 嵌入法
在模型训练过程中自动选择特征。比如Lasso回归，它会自动把不重要的特征系数压缩到0。
3.4 本章知识体系
下面这张图，是我自己总结的技术指标与特征工程的核心逻辑。你看一眼，应该就能明白整个流程。
从原始数据到最终特征集，每一步都有讲究。别想着一步到位，量化交易是个不断迭代的过程。
3.5 避坑指南
最后，分享几个我踩过的坑：
- 不要用未来数据：计算指标时，只能用过去的数据。我曾经犯过用未来价格算MA的错，回测曲线漂亮得不行，实盘直接崩了。
- 小心多重共线性：MA5和MA10相关性很高，同时用它们做特征，模型会不稳定。
- 特征不是越多越好：我见过有人用200个特征训练模型，结果过拟合得一塌糊涂。记住奥卡姆剃刀——如无必要，勿增实体。
- 时间周期要匹配：日线级别的特征，别用在分钟级别的策略上。逻辑完全不一样。
好了，这一章的内容就到这里。技术指标和特征工程，说白了就是把你对市场的理解，转化成机器能看懂的语言。多动手，多试错，慢慢你就会有感觉。