4. 特征工程（下）：交叉特征、因子正交化、特征选择与降维
好，咱们接着聊特征工程的下半场。上一章我们把单因子特征梳理清楚了，但说实话，在真实交易里，单个因子往往不够用。你想想看，市场是多维的，一个因子只能反映一个侧面。所以这一章，我们重点解决三个问题：怎么把因子组合起来产生化学反应？怎么去掉因子之间的冗余信息？以及，当特征多到爆炸时，怎么优雅地降维？
核心观点：特征工程的下半场，本质是从「有什么特征」走向「用什么特征」。交叉特征产生新信息，正交化去除冗余，降维保留精华。这三步走完，你的模型输入才算真正准备好。
4.1 交叉特征：让因子之间产生化学反应
交叉特征，说白了就是把两个或多个因子揉在一起，生成新的特征。为什么要这么做？因为市场是非线性的。举个例子，单独看市盈率（PE）和市值（Size），可能效果一般。但如果你把低PE和小市值组合起来，往往能抓到更强的alpha。
我个人习惯把交叉特征分成两类：
- 显式交叉：加减乘除、取对数、取最大值等数学运算。比如：PE / PB、成交量 * 价格变化、换手率 * 波动率。
- 隐式交叉：通过树模型或神经网络自动学习特征之间的交互。比如XGBoost的树分裂天然会做特征组合，但缺点是解释性差。
我在项目中遇到过一个问题：两个因子单独看都不错，但交叉之后反而效果变差。后来发现，是因为这两个因子高度相关，交叉特征只是放大了噪声。所以，做交叉之前，先看一眼相关性矩阵，别盲目组合。
我的小技巧：做交叉特征时，优先选择逻辑上有关联的因子。比如「动量因子」和「波动率因子」交叉，比「动量因子」和「天气因子」交叉有意义得多。别为了堆特征而堆特征。
4.2 因子正交化：去掉冗余信息
你想想看，如果两个因子相关性高达0.9，那它们本质上是在描述同一个东西。模型输入两个几乎一样的特征，不仅浪费计算资源，还会导致多重共线性，让模型不稳定。
因子正交化，就是通过数学变换，把一组相关的因子转换成一组互不相关的因子。最常用的方法是施密特正交化（Gram-Schmidt）和PCA正交化。
嗯，这里要注意：正交化不是万能的。它虽然去掉了线性相关性，但非线性相关性依然存在。而且正交化后的因子，解释性会变差——你很难说清楚「正交因子1」到底代表什么。
我曾经在CTA策略里吃过亏：把动量因子和期限结构因子做了正交化，结果回测曲线漂亮得不行，但实盘一跑就崩。后来发现，正交化把两个因子的共同信息去掉了，而那个共同信息恰恰是市场最核心的驱动因素。所以，正交化要谨慎，别把婴儿和洗澡水一起倒掉。
避坑指南：正交化之前，先问自己三个问题：1）这两个因子真的冗余吗？2）去掉共同信息后，剩下的信息还有意义吗？3）正交化后的因子，我能解释它的逻辑吗？如果三个答案都是「是」，再动手。
4.3 特征选择：从100个里挑出10个
特征选择，就是在一堆特征里，选出对预测最有用的那部分。方法很多，我按实用程度排个序：
| 方法 | 原理 | 适用场景 | 我的评价 |
|---|---|---|---|
| 单因子IC测试 | 计算每个因子与未来收益的相关系数 | 快速筛选，初步判断 | 简单粗暴，但容易漏掉组合效应 |
| L1正则化（Lasso） | 让不重要的特征系数变为0 | 特征数量远大于样本量时 | 好用，但要注意调参 |
| 树模型特征重要性 | 基于分裂次数或信息增益排序 | 非线性关系明显时 | 直观，但容易过拟合 |
| 递归特征消除（RFE） | 反复训练模型，剔除最不重要的特征 | 特征数量中等时 | 计算量大，但效果好 |
我个人习惯先用IC测试做一轮粗筛，把IC绝对值低于0.02的扔掉。然后用Lasso做第二轮精筛，最后用树模型的重要性排序做最终确认。三步走下来，基本能留下最精华的10-20个特征。
记住：特征选择不是越多越好。我见过有人用200个特征训练模型，结果过拟合得一塌糊涂。少即是多，尤其在金融数据里，信噪比极低，特征越多，噪声越大。
4.4 降维：PCA与Autoencoder
降维和特征选择不一样。特征选择是「挑」，降维是「压缩」。前者保留原始特征，后者生成新的低维表示。
4.4.1 PCA：经典中的经典
PCA（主成分分析）的原理很简单：找到数据方差最大的方向，把数据投影上去。说白了，就是保留最重要的信息，扔掉次要的噪声。
在量化里，PCA常用于处理因子之间的共线性。比如你有50个动量因子，它们高度相关，用PCA可以压缩成3-5个主成分，每个主成分代表一类动量模式。
但PCA有个硬伤：它是线性变换。如果因子之间的关系是非线性的，PCA就抓不住。而且PCA的主成分很难解释——你能说清楚「第3主成分」是什么吗？反正我不能。
# 一个简单的PCA示例
from sklearn.decomposition import PCA
import numpy as np
# 假设我们有100个样本，50个因子
X = np.random.randn(100, 50)
# 保留95%的方差
pca = PCA(n_components=0.95)
X_pca = pca.fit_transform(X)
print(f"原始特征数: {X.shape[1]}")
print(f"降维后特征数: {X_pca.shape[1]}")
print(f"解释方差比: {pca.explained_variance_ratio_}")
4.4.2 Autoencoder：深度学习的降维利器
Autoencoder（自编码器）是神经网络版的PCA。它通过编码器把高维数据压缩到低维，再通过解码器还原。如果还原误差很小，说明低维表示保留了足够的信息。
Autoencoder最大的优势是能捕捉非线性关系。我在做高频因子降维时，PCA只能解释60%的方差，但Autoencoder能解释85%以上。差距很明显。
不过，Autoencoder也有坑：训练不稳定，容易过拟合，而且超参数多（层数、节点数、学习率等）。我建议先用PCA做个基线，如果PCA效果够好，就别折腾Autoencoder了。
# 一个简单的Autoencoder示例（PyTorch风格）
import torch
import torch.nn as nn
class Autoencoder(nn.Module):
def __init__(self, input_dim, encoding_dim):
super().__init__()
self.encoder = nn.Sequential(
nn.Linear(input_dim, 64),
nn.ReLU(),
nn.Linear(64, encoding_dim)
)
self.decoder = nn.Sequential(
nn.Linear(encoding_dim, 64),
nn.ReLU(),
nn.Linear(64, input_dim)
)
def forward(self, x):
encoded = self.encoder(x)
decoded = self.decoder(encoded)
return decoded
# 使用示例
model = Autoencoder(input_dim=50, encoding_dim=10)
# 训练过程略...
我的建议：如果特征数量在50以下，优先用PCA。如果特征数量超过100，或者你怀疑存在非线性关系，试试Autoencoder。但记住，Autoencoder需要大量数据，样本量少于1000时别用。
4.5 本章知识体系总览
为了让你更直观地理解这一章的逻辑，我画了一张流程图。它展示了从原始因子到最终模型输入的完整路径：
这张图展示了我们这一章的核心流程。你可以看到，交叉特征、正交化、特征选择是三个并行分支，最终汇聚到降维环节。我个人习惯先做交叉特征，因为这一步能产生新信息；然后做正交化，去掉冗余；最后用PCA或Autoencoder做降维，把维度压缩到可控范围。特征选择可以穿插在任何一步之后，作为质量把关。
好了，这一章的内容就到这里。特征工程是深度学习择时策略的地基，地基不牢，模型再花哨也没用。下一章我们会进入模型构建环节，到时候这些特征就要派上大用场了。