4. 特征工程（上）：时间特征与统计特征

各位同学，咱们今天聊点实在的。特征工程这东西，说白了就是给模型喂“好饭”。数据本身是原材料，特征工程就是厨艺。你想想看，同样的食材，米其林大厨和普通人做出来能一样吗？在利率预测这个领域，我踩过的坑比你们走过的路还多，今天就先把时间特征和统计特征这两块硬骨头啃下来。

4.1 时间特征：让模型学会“回头看”

我个人习惯把时间特征分成三类：滞后项、移动平均、差分。这三兄弟各有各的脾气，咱们一个一个说。

4.1.1 滞后项（Lag Features）

滞后项是什么？就是把过去某一天的数据，拿到今天来用。比如预测明天的利率，昨天的利率肯定是个重要信号。

# 生成滞后项示例
import pandas as pd
import numpy as np

# 假设这是我们的利率数据
dates = pd.date_range('2023-01-01', periods=10, freq='D')
rates = [3.5, 3.55, 3.52, 3.58, 3.60, 3.57, 3.62, 3.65, 3.63, 3.68]

df = pd.DataFrame({'date': dates, 'rate': rates})
df['lag_1'] = df['rate'].shift(1)  # 滞后1天
df['lag_2'] = df['rate'].shift(2)  # 滞后2天
df['lag_3'] = df['rate'].shift(3)  # 滞后3天

print(df.head(10))

嗯，这里要注意。滞后项不是越多越好。我在项目中遇到过一位同事，一口气做了30个滞后项，结果模型直接过拟合，训练集上表现完美，测试集上一塌糊涂。为什么会这样？因为利率市场有“记忆衰减”的特性——太远的历史数据，其实没什么参考价值。

4.1.2 移动平均（Moving Average）

移动平均，说白了就是“平滑”。利率数据噪声很大，单日的波动可能是随机扰动，但一段时间的均值往往能反映趋势。

# 移动平均示例
df['ma_3'] = df['rate'].rolling(window=3).mean()  # 3日移动平均
df['ma_5'] = df['rate'].rolling(window=5).mean()  # 5日移动平均
df['ma_10'] = df['rate'].rolling(window=10).mean() # 10日移动平均

print(df[['date', 'rate', 'ma_3', 'ma_5', 'ma_10']].head(10))

你想想看，移动平均其实是在告诉模型：“别被单日的涨跌骗了，看看最近几天的整体走势。” 我个人习惯把移动平均和滞后项搭配使用——滞后项捕捉短期记忆，移动平均捕捉中期趋势。

4.1.3 差分（Differencing）

差分是处理非平稳时间序列的利器。利率数据往往有趋势，比如长期上涨或下跌。如果不做差分，模型可能会学到虚假的相关性。

# 差分示例
df['diff_1'] = df['rate'].diff(1)  # 一阶差分：今天 - 昨天
df['diff_2'] = df['rate'].diff(2)  # 二阶差分：今天 - 前天

print(df[['date', 'rate', 'diff_1', 'diff_2']].head(10))

为什么差分这么重要？因为很多机器学习模型（比如线性回归）假设数据是平稳的。差分之后，我们得到的是“变化量”而不是“绝对值”。这在利率预测中特别有用——央行加息降息，市场反应的是“变化”而不是“水平”。

4.2 统计特征：描述数据的“脾气”

时间特征讲的是“过去发生了什么”，统计特征讲的是“数据长什么样”。均值、方差、偏度、峰度，这四个指标能帮我们刻画利率数据的分布形态。

4.2.1 均值（Mean）和方差（Variance）

均值告诉你“中心在哪里”，方差告诉你“波动有多大”。在利率预测中，这两个特征特别适合做滚动窗口计算。

# 滚动统计特征
df['rolling_mean_5'] = df['rate'].rolling(window=5).mean()
df['rolling_std_5'] = df['rate'].rolling(window=5).std()  # 标准差
df['rolling_var_5'] = df['rate'].rolling(window=5).var()  # 方差

print(df[['date', 'rate', 'rolling_mean_5', 'rolling_std_5']].head(10))

我记得有一次做国债收益率预测，发现方差这个特征特别敏感。市场恐慌的时候，方差会急剧放大。说白了，方差就是市场的“情绪指标”。

4.2.2 偏度（Skewness）和峰度（Kurtosis）

这两个指标稍微抽象一点，但非常有用。

• 偏度：衡量数据分布是否对称。正偏度意味着右尾更长（极端高值多），负偏度意味着左尾更长（极端低值多）。
• 峰度：衡量数据分布的“尖峭”程度。高峰度意味着数据集中在均值附近，但尾部有极端值；低峰度意味着分布更平坦。

# 滚动偏度和峰度
from scipy.stats import skew, kurtosis

# 手动计算滚动偏度
def rolling_skew(series, window):
    return series.rolling(window).apply(lambda x: skew(x, bias=False))

def rolling_kurt(series, window):
    return series.rolling(window).apply(lambda x: kurtosis(x, bias=False))

df['skew_10'] = rolling_skew(df['rate'], 10)
df['kurt_10'] = rolling_kurt(df['rate'], 10)

print(df[['date', 'rate', 'skew_10', 'kurt_10']].head(10))

4.3 知识体系总览

说了这么多，咱们用一张图把本章的核心逻辑串起来。我手绘了一张结构图，方便你理解这些特征之间的关系。

4.4 实战要点总结

好了，咱们把今天的内容捋一捋。我个人觉得，特征工程最忌讳的就是“贪多嚼不烂”。你想想看，如果你一股脑儿把几十个特征全扔给模型，它反而不知道该看什么。

特征类型	核心作用	常用参数	注意事项
滞后项	捕捉短期记忆	lag_1 ~ lag_5	避免过多导致过拟合
移动平均	平滑噪声，捕捉趋势	窗口3~20天	注意数据泄露
差分	处理非平稳性	一阶或二阶	差分后数据解释性变差
均值/方差	描述中心与波动	滚动窗口5~30	窗口大小影响灵敏度
偏度/峰度	检测极端值与分布形态	滚动窗口10~60	需要足够样本量