特征工程基础：特征构建、变换与筛选

大家好，我是老K。今天咱们聊聊特征工程——这个在量化投资里被反复提及，却又容易被忽视的环节。说实话，我见过太多人把精力全花在模型调参上，结果特征质量不行，模型再花哨也是白搭。特征工程做得好，Alpha挖掘就成功了一半。

3.1 特征构建思路

特征构建，说白了就是从原始数据里提炼出有价值的信息。我个人习惯把特征分成三大类：价格类、成交量类、波动率类。这三类特征基本覆盖了市场行为的方方面面。

3.1.1 价格类特征

价格是最直观的数据。但直接拿收盘价做特征？那太粗糙了。我在项目中常用的价格特征包括：

• 收益率：简单差分，但要注意对数收益率和简单收益率的区别
• 价格位置：当前价格在近期高低点中的位置，比如(close - low) / (high - low)
• 价格形态：开盘收盘关系、上下影线长度等

3.1.2 成交量类特征

成交量是价格的佐证。量价配合才是好信号。我曾经踩过一个坑：只看价格突破，没看成交量，结果频繁假突破。后来加了成交量特征，效果立竿见影。

常用的成交量特征：

• 成交量变化率（volume / 过去N日均量）
• 量价相关性（比如价格涨时量是否放大）
• 成交量分布（大单占比、成交集中度）

3.1.3 波动率类特征

波动率是市场的"体温"。高波动意味着不确定性大，低波动则可能酝酿变盘。我个人习惯用以下方式刻画波动率：

• 历史波动率：过去N日收益率的标准差
• 振幅波动率：(high - low) / close，日内波动幅度
• 已实现波动率：高频数据计算的波动率，更精确

3.2 特征变换

原始特征往往不满足模型要求。比如收益率分布偏态严重，或者存在异方差性。这时候就需要做特征变换。我常用的变换手段有三种：

3.2.1 对数变换

对数变换能把乘法关系变成加法关系，还能压缩数据范围。比如价格序列，直接做差分得到的是绝对变化，而对数差分得到的是相对变化——这在金融里更有意义。

import numpy as np
import pandas as pd

# 对数收益率
prices = pd.Series([100, 102, 101, 105, 103])
log_returns = np.log(prices / prices.shift(1))
print(log_returns)
# 输出：NaN, 0.0198, -0.0099, 0.0392, -0.0194

3.2.2 差分变换

差分是为了让非平稳序列变平稳。金融数据大多是非平稳的，直接建模会出问题。一阶差分通常能解决大部分问题。

# 一阶差分
diff_prices = prices.diff()
print(diff_prices)
# 输出：NaN, 2.0, -1.0, 4.0, -2.0

嗯，这里要注意：差分会损失一个观测值。如果你的数据量不大，可以考虑用其他方法，比如HP滤波或者移动平均去趋势。

3.2.3 滚动窗口统计量

滚动窗口是特征工程里最常用的操作。它能捕捉局部特征，比如过去20天的平均收益率、最大回撤等。

# 滚动窗口均值
rolling_mean = prices.rolling(window=3).mean()
print(rolling_mean)
# 输出：NaN, NaN, 101.0, 102.67, 103.0

滚动窗口的窗口大小怎么选？我一般会试多个尺度：5天、10天、20天、60天。不同尺度捕捉不同周期的信号。你想想看，短线交易者和长线投资者关注的信息能一样吗？

3.3 特征筛选

特征造了一大堆，但很多是冗余的。不筛选的话，模型容易过拟合，训练速度也慢。我常用的筛选方法有两个：

3.3.1 相关性分析

特征之间相关性太高，说明信息重复。我一般设定阈值0.7——超过这个值的特征，只保留一个。

特征对	相关系数	处理方式
收益率_5日 vs 收益率_10日	0.85	保留一个
成交量 vs 成交额	0.92	保留成交额
波动率_5日 vs 波动率_20日	0.45	都保留

3.3.2 IC值分析

IC值（Information Coefficient）衡量特征与未来收益的相关性。IC值越高，说明特征的预测能力越强。我一般会计算Rank IC，因为它对异常值不敏感。

# 计算Rank IC
from scipy.stats import spearmanr

feature = pd.Series([0.1, 0.2, -0.1, 0.05, -0.2])
future_return = pd.Series([0.05, 0.15, -0.05, 0.02, -0.1])

rank_ic, p_value = spearmanr(feature, future_return)
print(f"Rank IC: {rank_ic:.3f}, p-value: {p_value:.3f}")
# 输出：Rank IC: 0.900, p-value: 0.037

IC值多少算好？我个人经验：

• IC绝对值 > 0.05：有预测能力
• IC绝对值 > 0.1：不错的特征
• IC绝对值 > 0.2：非常强的特征（但很少见）

3.4 本章知识体系

下面这张图总结了特征工程的完整流程。从原始数据出发，经过构建、变换、筛选三步，最终得到高质量的特征集。

这张图展示了特征工程的三个核心步骤：构建、变换、筛选。每一步都有其独特的作用，缺一不可。我个人习惯在构建阶段多造一些特征，然后在筛选阶段严格把关——宁可漏掉一个弱信号，也不要引入一个强噪声。