3、特征工程基础：常见选股因子（估值、动量、质量、情绪）。特征标准化与缺失值处理。

好，我们直接进入正题。特征工程，说白了就是给模型喂“好料”。你想想看，模型再厉害，喂进去的是垃圾，出来的肯定也是垃圾。在量化选股里，这些“料”就是我们常说的选股因子。

我个人习惯把因子分成四大类：估值、动量、质量、情绪。这四类基本覆盖了市场上主流的选股逻辑。咱们一个一个来看。

3.1 常见选股因子

3.1.1 估值因子

估值因子，就是看股票“贵不贵”。便宜的不一定涨，但太贵的往往风险大。我在项目中遇到过，有些股票PE（市盈率）高得离谱，但市场还在疯狂炒作。这时候估值因子就能帮你避开一些坑。

常用的估值因子有：

• 市盈率（PE）：股价 / 每股收益。越低越便宜。
• 市净率（PB）：股价 / 每股净资产。适合银行、周期股。
• 市销率（PS）：股价 / 每股销售额。适合亏损但营收高的公司。
• 股息率：每股分红 / 股价。高股息率往往代表公司现金流好。

嗯，这里要注意：估值因子不能单独用。我曾经见过一个策略，只用低PE选股，结果选了一堆银行股，市场风格一转，直接跑输大盘。所以估值因子最好和其他因子搭配使用。

3.1.2 动量因子

动量因子，说白了就是“追涨杀跌”的量化版本。它的逻辑很简单：过去涨的股票，未来一段时间还会涨；过去跌的，还会跌。听起来有点反直觉，但实证研究表明，短期动量确实存在。

我常用的动量因子：

• 过去1个月收益率：短期动量。
• 过去12个月收益率（剔除最近1个月）：中期动量，也叫“动量因子”。
• RSI（相对强弱指标）：衡量近期涨跌幅度。

你可能会问：“那什么时候动量会失效？” 嗯，市场剧烈反转的时候。比如2020年疫情刚爆发时，所有动量策略都亏得很惨。所以动量因子需要配合风险控制。

3.1.3 质量因子

质量因子，看的是公司“好不好”。好公司不一定涨，但长期来看，质量高的公司更抗跌。我建议把质量因子作为“压舱石”。

常见的质量因子：

• ROE（净资产收益率）：净利润 / 净资产。越高说明盈利能力越强。
• 毛利率：毛利 / 营收。反映产品竞争力。
• 资产负债率：总负债 / 总资产。越低越安全。
• 现金流比率：经营现金流 / 营收。防止“纸面富贵”。

我记得有一次，一个朋友用ROE选股，选出来的全是高杠杆的房地产公司。后来地产暴雷，他的组合直接崩了。所以质量因子一定要看现金流，别只看利润表。

3.1.4 情绪因子

情绪因子，反映的是市场参与者的“心态”。比如散户的恐慌、机构的贪婪。这些情绪会直接影响股价短期波动。

我常用的情绪因子：

• 换手率：交易活跃度。换手率突然飙升，往往意味着情绪过热。
• 融资余额变化：杠杆资金的进出。
• 北向资金净流入：外资的动向。
• 分析师评级调整：卖方研究的态度变化。

情绪因子有个特点：它和基本面因子往往负相关。比如一只股票基本面很好，但情绪很差（没人关注），这时候反而是买入机会。我曾经用情绪因子做过一个“逆向投资”策略，效果还不错。

3.2 特征标准化

好，因子有了，但它们的量纲不一样。比如PE可能是几十，换手率可能是百分之几。如果不做标准化，模型会天然地“偏爱”数值大的特征。这显然不合理。

我常用的标准化方法有两种：

3.2.1 Z-score标准化

把数据变成均值为0、标准差为1的分布。公式很简单：

z = (x - mean) / std

这种方法适合数据近似正态分布的情况。我建议在因子数据比较“干净”的时候用。

3.2.2 Min-Max标准化

把数据缩放到[0,1]区间。公式：

scaled = (x - min) / (max - min)

这种方法对异常值比较敏感。如果数据里有极端值，Min-Max会把大部分数据压缩到很小的区间。嗯，这时候我一般会用“截尾”处理，先去掉上下1%的极端值，再做标准化。

代码示例（Python）：

import pandas as pd
from sklearn.preprocessing import StandardScaler, MinMaxScaler

# 假设df是因子数据
scaler = StandardScaler()
df_zscore = scaler.fit_transform(df)

scaler_mm = MinMaxScaler()
df_minmax = scaler_mm.fit_transform(df)

3.3 缺失值处理

现实中的数据，永远有缺失。有些股票停牌了，有些数据没更新。如果不处理，模型会报错，或者学到错误的关系。

我处理缺失值的几个原则：

• 删除：如果缺失比例超过50%，直接删掉这个特征。
• 填充：如果缺失比例在10%以内，用中位数或均值填充。我个人习惯用中位数，因为它不受异常值影响。
• 行业均值填充：对于估值因子，不同行业的差异很大。用行业均值填充比全局均值更合理。
• 标记缺失：有时候“缺失”本身也是一种信息。比如某只股票没有分析师覆盖，可能意味着它被市场忽略。这时候可以单独加一个“是否缺失”的哑变量。

我曾经犯过一个错误：用全局均值填充PE，结果把银行股和科技股的PE混在一起，模型完全乱了。后来改成行业均值填充，效果好了很多。

代码示例：

# 中位数填充
df.fillna(df.median(), inplace=True)

# 行业均值填充
df['pe'] = df.groupby('industry')['pe'].transform(lambda x: x.fillna(x.median()))

3.4 知识体系图

下面这张图，是我自己总结的特征工程核心逻辑。你可以把它当作一个检查清单：