第四章：标签构建与样本设计

做内幕交易检测，最头疼的问题是什么？

不是模型选得不够好，也不是特征工程不够花哨。我做了这么多年风控，实话告诉你——标签怎么打，样本怎么配，这才是真正的拦路虎。

你想想看，内幕交易本身是隐蔽的，监管机构公布的处罚案例只是冰山一角。我们拿到的正样本，说白了就是「已经被抓到的」。那些没被抓到的呢？嗯，这就是问题所在。

4.1 内幕交易样本的标注方法

先聊聊标注。我个人习惯把标注方法分成三类，每一类都有它的适用场景和坑。

4.1.1 基于监管处罚的标注

这是最「干净」的方法。直接用证监会、交易所公布的处罚决定书，把被处罚的交易行为标为1，其他标为0。

我在项目中遇到过一个问题：处罚案例太少了。A股市场一年也就几十起内幕交易处罚，你拿这点样本去训练模型？别说深度学习，逻辑回归都够呛。

4.1.2 基于异常事件的标注

这个方法我比较常用。用重大事件公告作为锚点，比如并购重组、业绩预告、高送转等。然后看事件发生前的交易行为是否异常。

具体做法是这样的：

# 伪代码示例：基于事件窗口的标注
def label_by_event(trade_data, event_date, window=30):
    """
    trade_data: 个股的逐笔交易数据
    event_date: 重大事件公告日期
    window: 事件前窗口期（交易日）
    """
    # 窗口期内的交易行为
    window_data = trade_data[
        (trade_data.date >= event_date - window) &
        (trade_data.date < event_date)
    ]
    
    # 计算异常指标
    abnormal_volume = window_data.volume / window_data.volume.rolling(60).mean()
    
    # 如果异常指标超过阈值，标记为可疑
    label = 1 if abnormal_volume.max() > 3.0 else 0
    return label

这里有个坑：阈值怎么设？设太松，误报多；设太紧，漏报多。我一般会用3倍标准差作为起点，然后根据业务反馈调整。

4.1.3 基于规则引擎的标注

这个方法适合大规模标注。把交易所的监控规则、行业经验、学术论文里的指标，全部写成规则。

举个例子：

• 规则1：事件前5日，累计异常成交量超过日均成交量的200%
• 规则2：事件前10日，账户对倒交易占比超过30%
• 规则3：事件前3日，关联账户组集中买入

满足3条以上规则的，标为1。满足1-2条的，标为待确认。一条都不满足的，标为0。

4.2 正负样本不平衡问题

做内幕交易检测，正负样本比例可能达到1:10000甚至更夸张。你想想看，一个模型如果全部预测为负样本，准确率也有99.99%。但这有意义吗？

4.2.1 采样策略

我常用的方法有三种：

方法	原理	适用场景	我的评价
随机欠采样	从负样本中随机抽取，与正样本数量持平	负样本量极大时	简单粗暴，但会丢失信息
SMOTE过采样	在正样本之间插值生成新样本	正样本量较少时	效果好，但可能生成不合理样本
集成采样	多次欠采样+多个模型投票	追求稳定性时	我最推荐的方法

我个人最常用的是集成采样。为什么？因为内幕交易样本太珍贵了，我不想浪费任何一个。集成采样能最大程度保留信息。

4.2.2 损失函数调整

除了采样，还可以从损失函数入手。我常用的两个技巧：

# 方法1：类别权重
from sklearn.utils.class_weight import compute_class_weight

weights = compute_class_weight(
    class_weight='balanced',
    classes=[0, 1],
    y=y_train
)
# 正样本权重会远大于负样本权重

# 方法2：Focal Loss（适合深度学习）
def focal_loss(gamma=2.0, alpha=0.25):
    """
    gamma: 聚焦参数，越大越关注难分类样本
    alpha: 平衡参数，控制正负样本权重
    """
    def loss(y_true, y_pred):
        pt = y_true * y_pred + (1 - y_true) * (1 - y_pred)
        focal_weight = (1 - pt) ** gamma
        return -alpha * focal_weight * tf.math.log(pt)
    return loss

4.3 时间序列交叉验证策略

做金融风控，最忌讳的就是数据泄露。你想想看，如果用未来的数据去预测过去的事件，那模型再烂也能「预测」得很准。

4.3.1 为什么不能用随机交叉验证？

标准的K折交叉验证，是把数据随机打乱再分折。这在金融数据上是大忌。

举个例子：假设第1折包含2023年1月的数据，第2折包含2023年6月的数据。如果用第2折训练、第1折验证，那模型就「看到」了未来的信息。这在实盘部署时根本不可能实现。

4.3.2 时间序列交叉验证的正确姿势

我常用的方法有两种：

# 方法1：滑动窗口验证
def time_series_cv(data, train_window=252, test_window=63):
    """
    train_window: 训练窗口长度（交易日）
    test_window: 测试窗口长度（交易日）
    """
    folds = []
    start = 0
    while start + train_window + test_window < len(data):
        train_end = start + train_window
        test_end = train_end + test_window
        
        train_idx = list(range(start, train_end))
        test_idx = list(range(train_end, test_end))
        folds.append((train_idx, test_idx))
        
        # 滑动步长，我一般用test_window的一半
        start += test_window // 2
    
    return folds

# 方法2：扩展窗口验证
def expanding_window_cv(data, min_train=504, test_window=63):
    """
    min_train: 最小训练集长度（2年）
    """
    folds = []
    train_end = min_train
    while train_end + test_window < len(data):
        train_idx = list(range(0, train_end))
        test_idx = list(range(train_end, train_end + test_window))
        folds.append((train_idx, test_idx))
        
        train_end += test_window
    
    return folds

4.3.3 我的实战经验

我一般用扩展窗口验证。为什么？因为金融数据是非平稳的，市场结构会变。用扩展窗口，模型能不断学习新的市场规律。

但这里有个细节：窗口长度怎么设？

• 训练窗口：至少2年（504个交易日），太短学不到规律
• 测试窗口：3个月（63个交易日），太长模型可能过时
• 滑动步长：1个月（21个交易日），保证验证频率

4.4 本章知识体系

说了这么多，我画了一张图帮你理清思路：

这张图把本章的三个核心模块串起来了。标注方法是基础，不平衡处理是手段，交叉验证是保障。三者缺一不可。

---

公众号:蓝海资料掘金营，微信deep3321