12.4 特征工程：把原始数据变成可用特征
课前导读
本节目标
你将学会：把价格、成交量、财务和公告等原始数据加工成可复核特征，并识别可得性和泄露风险。
适合对象：已经理解因子、回测、机器学习切分和实盘数据校验的 A 股投资者。
难度：advanced
预计用时：约 45 分钟
特征工程是量化研究中最容易被低估的一环。
很多人把注意力放在模型上，却忽视模型吃进去的每一列数据。
如果特征含义不清、时间不可得、口径漂移或混入未来答案，再复杂的模型也只是在放大错误。
这一节的主线是：特征不是越多越好，而是越清楚、越可验证、越不泄露越好。
你会从价格、成交量、财务和公告四类数据出发，学习如何构造特征卡，并理解为什么特征工程是“更严格地验证想法”。
知识正文
1. 类比：特征工程像备菜
做饭前要洗菜、切菜、分装、标注日期。
如果菜已经坏了，锅再高级也做不出好饭。
原始行情、财务和公告数据就是食材。
特征工程就是备菜。
模型是锅。
回测是试吃。
实盘观察是把菜端给真实客人前的小范围验证。
如果备菜环节把明天才送到的食材提前放进今天的菜里，味道当然会异常好。
但那是时间穿越，不是研究能力。
关键直觉
特征工程的第一原则不是“创造更多列”，而是“每一列都能解释、能复现、能站在当时使用”。
2. 术语一：原始数据、特征、标签
原始数据是直接记录下来的事实。
例如收盘价、成交额、换手率、财报披露日期、公告标题。
特征是从原始数据加工出来、用于解释或预测的字段。
例如过去 20 日涨跌幅、过去 60 日波动率、ROE 滞后值、公告后第几天。
标签是研究答案。
例如未来 20 日收益、未来是否跑赢行业、未来最大回撤。
特征和标签必须严格分开。
特征回答“当时我知道什么”。
标签回答“后来发生了什么”。
如果这两者混在一起，模型就会偷看答案。
3. 价格类特征：从 K 线到行为线索
价格数据是最常用的原料。
它更新快、覆盖广、容易复现。
但也最容易被过度挖掘。
常见价格特征包括：
| 特征 | 构造方式 | 直觉 | 风险 |
|---|---|---|---|
| 20 日动量 | 今日收盘价 / 20 日前收盘价 - 1 | 近期是否被市场认可 | 追高、风格切换 |
| 60 日反转 | 过去 60 日跌幅较大 | 是否存在修复机会 | 可能是基本面变差 |
| 均线距离 | 收盘价 / MA20 - 1 | 偏离短期均值多少 | 极端行情会钝化 |
| 波动率 | 过去 N 日收益标准差 | 持有过程是否颠簸 | 波动本身也会变化 |
| 最大回撤 | 窗口内从高点到低点的跌幅 | 近期风险体验 | 窗口选择影响很大 |
价格类特征要注意复权口径。
前复权、后复权、不复权会影响动量和均线。
研究报告里必须写清楚使用哪一种口径。
否则同一个因子在不同数据源上可能结果不同。
4. 成交量和流动性特征：观察资金是否愿意交易
成交量不是单纯的热闹程度。
它反映市场参与者是否愿意用真金白银交换筹码。
常见成交类特征包括：
- 成交额相对过去 20 日均值的倍数。
- 换手率过去 5 日均值。
- 成交额分位数。
- 量价配合，例如放量上涨或放量下跌。
- 买卖价差或可成交性指标，如果数据可得。
在 A 股中，流动性特征尤其重要。
很多纸面策略忽略小票成交困难、涨跌停无法成交、冲击成本放大。
一个看似高收益的因子，如果集中买入低流动性股票，实盘可能很难复现。
常见误区
成交量特征不能只看“放量就是好”。放量可能是资金进入，也可能是恐慌出逃，还可能是利空公告后的换手。
5. 财务特征：必须尊重披露时间
财务数据能帮助你理解公司质量、成长和估值。
但财务特征最容易出现可得性错误。
财报有报告期，也有披露日。
报告期是会计上覆盖的时间段。
披露日才是投资者真正能看到数据的时间。
例如某公司 2023 年年报报告期结束于 2023 年 12 月 31 日。
但实际披露日可能是 2024 年 4 月 20 日。
你不能在 2024 年 1 月的模型里使用这份年报。
常见财务特征包括：
| 特征 | 直觉 | 关键边界 |
|---|---|---|
| ROE | 股东资金赚钱效率 | 使用披露日后可见值 |
| 营收增长率 | 生意规模是否增长 | 注意同比口径和季节性 |
| 净利润增长率 | 盈利是否改善 | 警惕一次性收益 |
| 经营现金流质量 | 利润是否有现金支持 | 需结合行业特征 |
| 资产负债率 | 杠杆和偿债压力 | 金融、地产等行业口径不同 |
财务特征不适合和高频交易节奏硬拼。
它更适合中低频选股、组合暴露和风险过滤。
6. 公告和事件特征：把文字变成结构化记录
公告是 A 股投资者的重要正式信息来源。
但公告文本不能随意变成模型魔法。
你可以先做非常朴素的事件特征：
- 是否发布业绩预告。
- 业绩预告类型：预增、预减、扭亏、续亏。
- 公告披露后第几天。
- 最近 30 日是否有减持公告。
- 是否有监管问询。
- 是否停牌后复牌。
这些特征不要求你马上做复杂自然语言处理。
先把“公告是否存在、何时可见、属于哪类事件”记录清楚，就已经很有价值。
事件特征的最大风险是时间戳。
公告如果在晚间披露，通常只能影响下一交易日及以后。
不能把当天白天尚未披露的公告用于当天买卖判断。
7. 特征可得性：每一列都要有身份证
一个合格特征至少要回答六个问题。
| 字段 | 说明 |
|---|---|
| 特征名称 | 例如 momentum_20_lag1 |
| 原始来源 | 行情、财务、公告或手工记录 |
| 计算公式 | 如何从原始数据得到 |
| 可见时间 | 投资者何时可以合理看到 |
| 使用频率 | 日频、周频、月频或财报披露后 |
| 风险备注 | 缺失、异常、行业口径、泄露可能 |
这张表就是特征卡。
特征卡不是形式主义。
它能让你在几个月后复查时知道当初为什么这样算。
也能让别人复现你的研究。
量化开发中，特征卡还可以转化为数据字典、审计日志和测试用例。
8. 特征泄露：最隐蔽的高分作弊
特征泄露是指模型使用了当时不该知道的信息。
常见泄露包括：
- 用未来收益筛选股票池。
- 用全样本均值或标准差标准化历史数据。
- 用修正后的财务数据覆盖历史版本。
- 用公告披露前的财务字段参与决策。
- 用未来成分股列表回看过去。
- 用当天收盘后才知道的数据假设当天收盘前成交。
泄露的可怕之处在于，它通常不会报错。
代码可以运行，曲线可以很漂亮，报告可以很完整。
但结论是假的。
风险提醒
任何异常优秀的特征表现，都要先排查泄露、幸存者偏差、成本忽略和极端样本贡献，再讨论是否有投资价值。
9. 特征处理：缺失、异常、标准化和方向
你在因子章节已经学过清洗。
这里从特征工程角度再强调一次。
缺失值不一定要简单删除。
财务数据缺失可能意味着公司尚未披露。
公告特征缺失可能意味着没有事件。
停牌导致价格缺失，背后是交易不可得。
异常值也不能机械处理。
成交额突然放大可能是数据错误，也可能是真实重大事件。
标准化可以让不同量纲放在一把尺子上。
但标准化必须按当时可见样本计算。
方向统一可以让模型更容易学习。
例如把“估值越低越好”转换成“价值得分越高越好”。
10. A 股案例：构造一个稳健观察表
假设你想研究“质量较好、估值不贵、近期没有过热的股票是否更稳”。
可以构造一张日频观察表。
| 特征名称 | 类别 | 构造直觉 | 使用边界 |
|---|---|---|---|
| roe_lagged | 财务 | 公司赚钱效率 | 只在财报披露后使用 |
| pe_percentile_3y | 估值 | 当前估值在历史中贵不贵 | 需处理亏损公司 |
| momentum_20_lag1 | 价格 | 近期市场认可程度 | 滞后一日避免收盘偷看 |
| volatility_60_lag1 | 风险 | 近期持有颠簸程度 | 窗口过短会噪声大 |
| amount_ratio_20_lag1 | 成交 | 是否突然受关注 | 放量方向需结合价格 |
| announcement_flag_30 | 公告 | 近 30 日是否有重大事件 | 只用披露后信息 |
这个表不是买入清单。
它只是把原本模糊的观察转成可检查字段。
下一步还要做样本外验证、分组收益、成本测试和组合约束。
11. 特征工程流程
graph TD
A["提出研究问题"] --> B["列出原始数据"]
B --> C["确认可见时间"]
C --> D["构造候选特征"]
D --> E["处理缺失和异常"]
E --> F["滞后与标准化"]
F --> G["写特征卡"]
G --> H["进入回测或模型验证"]注意流程中“确认可见时间”非常靠前。
如果一列数据的可见时间说不清，就不应该急着进入模型。
12. 短小 Python 示例：安全构造价量特征
下面代码只展示思路，不依赖外部数据。
# df 已按 date 升序排列，包含 close、amount 两列
# 所有可用于决策的特征都滞后一日
df["ret_1d"] = df["close"].pct_change()
df["momentum_20"] = df["close"] / df["close"].shift(20) - 1
df["volatility_20"] = df["ret_1d"].rolling(20).std()
df["amount_ratio_20"] = df["amount"] / df["amount"].rolling(20).mean()
feature_cols = ["momentum_20", "volatility_20", "amount_ratio_20"]
for col in feature_cols:
df[col + "_lag1"] = df[col].shift(1)
# 研究标签：未来 20 日收益，只能当答案，不能当特征
df["label_next_20d"] = df["close"].shift(-20) / df["close"] - 1直觉解释：
先用历史价格和成交额计算候选特征。
再统一滞后一日，保证决策时已经可见。
最后构造未来收益标签，用来评估特征是否有信息。
如果你把 label_next_20d 放进模型特征列表，整个实验就失去意义。
13. 专业老师、投资者、开发者三重视角
老师视角：先解释每个特征背后的投资直觉，再讲计算公式。
投资者视角：特征是观察工具，不是单独下单理由。
量化开发视角：特征必须可复现、可审计、可追踪版本。
三重视角合起来，就是把“我感觉这家公司不错”变成“我能用当时可见数据描述它为什么不错，并检验这个描述是否经得住样本外”。
14. 特征少而清楚，通常优于多而混乱
特征工程很容易膨胀。
一个价格字段可以衍生出几十个窗口。
一个财务字段可以衍生出同比、环比、分位数、行业中性值。
如果没有研究假设，特征越多，越容易试出偶然结果。
更稳健的做法是：
- 先写每个特征的投资直觉。
- 再写可见时间和计算公式。
- 然后检查缺失和异常。
- 最后才进入模型或回测。
特征工程不是追求复杂。
它追求的是让每一列都经得起追问。
交互实验室
练习 1：填写一张特征卡
请为“过去 20 日动量”填写特征卡。
| 项目 | 示例答案 |
|---|---|
| 特征名称 | momentum_20_lag1 |
| 原始来源 | 日线收盘价 |
| 计算公式 | 今日收盘价 / 20 日前收盘价 - 1，再滞后一日 |
| 可见时间 | 当日收盘后可算，下一交易日可用 |
| 使用频率 | 日频 |
| 风险备注 | 追高风险、停牌影响、复权口径影响 |
请再选择一个财务特征或公告特征，按同样格式填写。
练习 2：识别泄露风险
判断下面特征是否安全。
- 使用 2024 年 4 月披露的年报数据，回填到 2024 年 1 月模型。
- 用当天收盘价计算信号，第二天执行。
- 用全市场 2016-2024 年均值标准化 2017 年特征。
- 用公告披露日后的交易日构造“公告后第几天”。
参考答案：
- 第 1 条不安全，财报披露前不可见。
- 第 2 条较安全，因为执行在第二天。
- 第 3 条不安全，标准化用了未来年份。
- 第 4 条较安全，前提是公告时间戳准确。
练习 3：从想法到特征
研究想法：近期没有过热、基本面质量较好、流动性足够的股票更适合作为观察池。
请写出至少 4 个候选特征：
| 维度 | 候选特征 | 为什么可能有用 |
|---|---|---|
| 过热程度 | 20 日涨幅分位数 | 避免过度追高 |
| 质量 | ROE 滞后值 | 观察赚钱效率 |
| 流动性 | 20 日成交额均值 | 降低无法成交风险 |
| 风险 | 60 日波动率 | 控制持有颠簸 |
| 事件 | 近 30 日重大公告标记 | 避免信息冲击未消化 |
完成后请加一句边界说明：这些特征只用于筛选和验证，不构成买卖建议。
核心复盘
知识清单：
- [ ] 我能区分原始数据、特征和标签。
- [ ] 我知道价格、成交量、财务和公告都能构造特征，但可见时间不同。
- [ ] 我会为每个特征写来源、公式、可见时间和风险备注。
- [ ] 我能识别常见特征泄露，如未来股票池、全样本标准化和财报回填。
- [ ] 我理解特征工程是为了更严格验证想法，而不是堆更多变量。
金句总结
好特征不是最会讲故事的列，而是最经得起时间、口径和泄露检查的列。