4. 标签构建与数据划分：未来收益率计算、分类标签构建(涨/跌/平)、时间序列数据划分(训练/验证/测试)
好，咱们接着往下走。前面几章我们把数据拿回来了，也做了清洗和特征工程。现在手里有了一堆干干净净的因子数据，对吧？但光有这些还不够——模型得知道“学什么”。
这一章，我们就来解决这个核心问题：给数据打标签，然后划分数据集。
说白了，就是告诉模型：
“你看，历史上这些特征组合出现的时候，未来3天股价是涨了还是跌了？”
模型才能从中找到规律。
核心逻辑一句话：
特征 = 当前已知的信息（X）
标签 = 未来一段时间的收益表现（y）
模型的任务：从 X 预测 y。
4.1 未来收益率计算
我个人习惯，先把“未来收益率”算出来，再根据它来构建分类标签。
为什么要算未来收益率？
因为我们要知道：如果今天买入，持有N天后，能赚多少？
这里有个关键点：未来收益率 = 未来收盘价 / 当前收盘价 - 1
举个例子：
今天是1月1日，收盘价10元。
1月4日（3天后）收盘价11元。
那么未来3日收益率 = 11/10 - 1 = 10%。
嗯，这里要注意：时间窗口的选择。我见过不少新手直接拿未来1天的收益率做标签，结果模型过拟合得一塌糊涂。为什么？因为1天的噪声太大了，随机性太强。
我的经验：
- 短线模型：用未来3日或5日收益率
- 中线模型：用未来10日或20日收益率
- 长线模型：用未来60日或120日收益率
我个人做短线选股，最常用的是未来5日收益率。这个窗口既能过滤掉部分噪声，又不会太滞后。
代码实现其实很简单，用pandas的shift和rolling就能搞定：
import pandas as pd
import numpy as np
# 假设df已经按股票代码和日期排序
# 计算未来5日收益率
df['future_return_5d'] = df.groupby('stock_code')['close'].transform(
lambda x: x.shift(-5) / x - 1
)这里有个坑：shift(-5)意味着最后5天的数据会变成NaN。因为未来5天的收盘价不存在了。所以回测的时候，最后几天的数据要记得剔除。
避坑指南：
我曾经在回测时忘了剔除最后几天的NaN标签，结果模型在测试集上表现“异常好”——因为它只预测了那些有标签的样本，而这些样本恰好都是历史数据。说白了就是未来信息泄露了。嗯，从那以后，我每次都会检查标签列是否有NaN。
4.2 分类标签构建：涨/跌/平
未来收益率算出来了，接下来就是把它变成分类标签。
为什么不用回归？
回归模型直接预测收益率数值，听起来更精确。但实际中，回归模型对异常值非常敏感。比如某只股票突然涨停，收益率20%，模型会拼命去拟合这个极端值，反而忽略了大部分正常样本。
所以，我更倾向于用分类模型。把问题简化成：
- 涨（1）
- 跌（-1）
- 平（0）
那阈值怎么定？
我个人习惯用百分位数，而不是固定阈值。
举个例子：
把所有股票的未来5日收益率排序，
- 前30% → 涨
- 后30% → 跌
- 中间40% → 平
这样做的好处是：每个时间截面上的标签分布是均衡的。不会因为某段时间大盘暴涨，导致“涨”的标签特别多。
def label_future_return(df, ret_col='future_return_5d',
upper_percentile=0.7, lower_percentile=0.3):
"""
根据未来收益率构建分类标签
"""
# 按日期分组，每个交易日独立分位数
def _label_group(group):
upper = group[ret_col].quantile(upper_percentile)
lower = group[ret_col].quantile(lower_percentile)
labels = np.zeros(len(group))
labels[group[ret_col] >= upper] = 1 # 涨
labels[group[ret_col] <= lower] = -1 # 跌
# 中间部分保持0（平）
return labels
df['label'] = df.groupby('date').apply(_label_group).values
return df为什么按日期分组？
你想想看，如果我不按日期分组，而是对所有历史数据一起算分位数，会怎样？
假设2015年牛市，所有股票都在涨，那“涨”的阈值会非常高。到了2018年熊市，所有股票都在跌，那“跌”的阈值会非常低。
这样模型学到的其实是市场整体趋势，而不是选股能力。
所以，每个交易日独立计算分位数，才能让模型专注于“相对强弱”。
4.3 时间序列数据划分：训练/验证/测试
数据有了，标签有了，接下来就是划分数据集。
这里我要强调一点：金融时间序列数据，绝对不能随机划分！
为什么？
因为时间序列有时序依赖性。今天的股价和昨天的股价是相关的。如果你随机打乱数据，把未来的数据拿去训练，把过去的数据拿去测试，那就相当于用未来预测过去——结果当然好，但毫无意义。
正确的做法是：按时间顺序划分。
我个人常用的划分比例：
- 训练集：60%
- 验证集：20%
- 测试集：20%
但这里有个细节：要按时间点切分，而不是按样本量切分。
举个例子：
假设数据从2018年1月到2023年12月，共6年。
- 训练集：2018年1月 ~ 2021年12月（4年）
- 验证集：2022年1月 ~ 2022年12月（1年）
- 测试集：2023年1月 ~ 2023年12月（1年）
这样划分的好处是：验证集和测试集能模拟真实的未来场景。
def time_series_split(df, train_end='2021-12-31',
val_end='2022-12-31'):
"""
按时间顺序划分数据集
"""
train = df[df['date'] <= train_end]
val = df[(df['date'] > train_end) & (df['date'] <= val_end)]
test = df[df['date'] > val_end]
return train, val, test一个小技巧：
我习惯在划分之前，先检查一下每个时间段的股票数量是否均衡。如果某段时间因为IPO或者退市，股票数量变化很大，那就要考虑调整划分比例。
另外，验证集和测试集的时间跨度最好一致。比如都是1年，或者都是6个月。这样对比模型在验证集和测试集上的表现时，才有可比性。
4.4 本章知识体系总览
下面这张图，把本章的核心逻辑串起来了：
4.5 本章小结
这一章的内容，说白了就三件事：
- 算未来收益率：选好时间窗口，用shift计算
- 打分类标签：按日期分组，用百分位数划分涨/跌/平
- 划分数据集：按时间顺序切分，不能随机打乱
这三步做完，你的数据就真正“可用”了。模型可以开始学习了。
嗯，我记得刚开始做量化的时候，总觉得打标签这一步很简单，随便写几行代码就完事了。后来发现，标签的质量直接决定了模型的上限。标签打歪了，再好的模型也白搭。
所以，这一章的内容虽然看起来基础，但值得你多花点心思。