4、多因子特征工程：因子构建与共线性处理
大家好，我是老K。今天咱们聊聊多因子模型里最磨人、也最有意思的一环——特征工程。说实话，我见过太多人把精力全花在模型调参上，结果因子质量一塌糊涂，模型跑出来就是个笑话。嗯，这一章咱们就把这块硬骨头啃下来。
4.1 因子构建：技术指标与宏观数据
因子构建说白了，就是把原始数据变成能预测未来走势的信号。我个人习惯把因子分成两类：技术指标和宏观数据。
4.1.1 技术指标因子
技术指标因子，就是基于价格、成交量这些高频数据算出来的。我刚开始做量化时，特别喜欢堆指标，RSI、MACD、布林带全往上怼。结果呢？过拟合得一塌糊涂。后来我学乖了——因子不在多，在精。
这里我列几个实战中比较靠谱的：
- 动量因子：过去N天的收益率。N选多少？我一般用5、10、20、60天，覆盖短中长周期。
- 波动率因子：过去N天收益率的标准差。注意，波动率有聚集效应，我习惯用对数收益率算。
- 成交量因子：成交量变化率、成交量与均量的比值。量在价先，这个逻辑你想想看。
- 反转因子：过去N天的累计收益率的负值。A股里短期反转效应挺明显的。
核心经验：技术指标因子要标准化处理。我一般用z-score，但要注意剔除极端值，不然一个涨停板就能把整个因子分布拉偏。
4.1.2 宏观数据因子
宏观数据这块，很多人觉得跟股票预测没关系。我在项目中遇到过，加入宏观因子后，模型的稳定性明显提升。尤其是做中长周期预测时，宏观因子能帮你抓住大方向。
常用的宏观因子包括：
- 利率因子：国债收益率、shibor利率。利率上升，流动性收紧，股市承压。
- 通胀因子：CPI、PPI。通胀过高，货币政策会收紧。
- 经济景气因子：PMI、工业增加值。经济好，企业盈利好。
- 货币供应因子：M2增速。水多了，资产价格自然涨。
小技巧：宏观数据发布频率低，我一般用插值法对齐到日频。别用前向填充，那会引入未来信息。用后向填充或者线性插值更靠谱。
4.2 特征相关性分析
因子建好了，下一步就是看它们之间有没有「串通」。相关性分析，说白了就是看看两个因子是不是在说同一件事。
我常用的方法就两种：
- 皮尔逊相关系数：衡量线性关系。取值范围[-1, 1]。绝对值大于0.7，我就认为相关性过高了。
- 斯皮尔曼秩相关系数：衡量单调关系。对异常值不敏感，我更喜欢用这个。
来看个代码示例：
import pandas as pd
import numpy as np
from scipy.stats import spearmanr
# 假设 factor_df 是因子数据，index是时间，columns是因子名
corr_matrix = factor_df.corr(method='spearman')
# 找出相关性大于0.7的因子对
high_corr_pairs = []
for i in range(len(corr_matrix.columns)):
for j in range(i+1, len(corr_matrix.columns)):
if abs(corr_matrix.iloc[i, j]) > 0.7:
high_corr_pairs.append((corr_matrix.columns[i],
corr_matrix.columns[j],
corr_matrix.iloc[i, j]))
print(f"发现 {len(high_corr_pairs)} 对高相关因子")
注意：相关性高不代表因果关系。我曾经见过两个因子相关性0.9，结果一个是动量，一个是反转——完全相反的预测方向。所以，别只看数字，要理解因子的业务含义。
4.3 多重共线性处理（VIF）
相关性分析只能看两两关系。但实际问题中，一个因子可能被多个因子联合解释。这就是多重共线性。
VIF（方差膨胀因子）是检测多重共线性的标准工具。它的逻辑很简单：对每个因子，用其他所有因子做回归，看R²有多大。R²越高，VIF越大，说明这个因子越「多余」。
VIF的计算公式：
VIF = 1 / (1 - R²)
VIF大于10，一般认为存在严重的多重共线性。我个人习惯更严格——VIF大于5我就开始警惕了。
来看实战代码：
from statsmodels.stats.outliers_influence import variance_inflation_factor
from statsmodels.tools.tools import add_constant
def calculate_vif(df):
"""
计算VIF，df是因子数据框
"""
# 添加截距项
X = add_constant(df)
vif_data = pd.DataFrame()
vif_data["feature"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i)
for i in range(X.shape[1])]
# 去掉截距项
vif_data = vif_data[vif_data['feature'] != 'const']
return vif_data.sort_values('VIF', ascending=False)
# 使用示例
vif_result = calculate_vif(factor_df)
print(vif_result)
处理多重共线性的策略，我一般按这个顺序来：
- 删除高VIF因子：最简单粗暴。但要注意，别把有预测能力的因子删了。
- 因子合成：用PCA或者因子正交化，把相关因子合并成一个。我比较喜欢用PCA，但解释性会变差。
- 正则化：L1/L2正则化天然能处理共线性。Lasso（L1）甚至能自动做特征选择。
避坑指南：我曾经在某个项目中，VIF算出来全是无穷大。查了半天，发现是因子之间完全线性相关——有个因子是其他因子的线性组合。这种情况，直接删掉冗余因子就好。
4.4 本章知识体系
下面这张图，是我自己总结的多因子特征工程核心流程。你照着这个走，基本不会出大错。
嗯，这一章的内容就到这。因子构建和共线性处理，说白了就是「去粗取精」的过程。你花80%的时间把因子质量搞好了，模型自然就水到渠成。别急着上模型，先把数据收拾利索了。