Skip to content

特征工程与金融因子构建

概述

特征工程 (Feature Engineering) 是将原始金融数据转化为模型可用信号的核心环节。在量化投资领域，这一过程通常被称为因子构建 (Factor Construction)。优秀的特征工程往往比模型选择更能决定策略的成败——正所谓 "garbage in, garbage out"。

金融特征提取

价量特征 (Price-Volume Features)

从行情数据中提取的基础特征包括：

  • 动量因子 (Momentum)：\(\text{Mom}_{t,k} = \frac{P_t}{P_{t-k}} - 1\)
  • 波动率因子 (Volatility)：\(\sigma_t = \sqrt{\frac{1}{n-1}\sum_{i=0}^{n-1}(r_{t-i} - \bar{r})^2}\)
  • 换手率 (Turnover)：\(\text{Turn}_t = \frac{V_t}{\text{Shares Outstanding}}\)
  • 价量相关性：\(\text{Corr}(P_{t-k:t}, V_{t-k:t})\)

基本面特征 (Fundamental Features)

\[\text{ROE} = \frac{\text{Net Income}}{\text{Shareholders' Equity}}, \quad \text{EP} = \frac{\text{EPS}}{P}, \quad \text{BP} = \frac{\text{Book Value}}{P}\]
def compute_alpha_features(df):
    """构建常用价量因子"""
    features = {}
    # 动量因子
    for k in [5, 10, 20, 60]:
        features[f'mom_{k}d'] = df['close'].pct_change(k)
    # 波动率因子
    features['vol_20d'] = df['close'].pct_change().rolling(20).std()
    # 成交额加权价格偏离
    features['vwap_bias'] = df['close'] / df['vwap'] - 1
    # 换手率均值比
    features['turn_ratio'] = (
        df['turnover'].rolling(5).mean() /
        df['turnover'].rolling(20).mean()
    )
    return pd.DataFrame(features, index=df.index)

时间戳对齐

基本面数据具有发布滞后 (Reporting Lag)。使用财报数据时必须按实际公告日 (Announcement Date) 而非报告期末日 (Period End Date) 对齐，否则会引入前视偏差 (Look-ahead Bias)。

因子正交化 (Factor Orthogonalization)

原始因子之间往往存在高度共线性 (Multicollinearity)。因子正交化的目标是消除因子间的线性依赖关系，使得每个因子贡献独立的信息增量。

施密特正交化 (Gram-Schmidt Orthogonalization)

给定因子序列 \(\{f_1, f_2, \ldots, f_p\}\)，正交化过程为：

\[\tilde{f}_k = f_k - \sum_{j=1}^{k-1} \frac{\langle f_k, \tilde{f}_j \rangle}{\langle \tilde{f}_j, \tilde{f}_j \rangle} \tilde{f}_j\]

对称正交化 (Symmetric Orthogonalization)

施密特正交化依赖因子排列顺序，对称正交化则不受此限制：

\[\tilde{F} = F \cdot (F^T F)^{-1/2}\]
import numpy as np
from scipy.linalg import sqrtm

def symmetric_orthogonalize(factor_matrix):
    """对称正交化: 保持与原始因子的最大相似性"""
    F = factor_matrix - factor_matrix.mean(axis=0)
    cov = F.T @ F / len(F)
    cov_inv_sqrt = np.real(np.linalg.inv(sqrtm(cov)))
    return F @ cov_inv_sqrt

正交化的代价

正交化会改变因子的经济含义 (Economic Interpretation)。在实践中，需要在统计独立性与因子可解释性之间权衡。一种折中方案是仅对同类因子（如多个动量变体）进行正交化。

特征选择方法 (Feature Selection)

过滤法 (Filter Methods)

基于统计指标独立评估每个特征的预测能力：

  • 信息系数 (IC)：\(\text{IC} = \text{Corr}(f_t, r_{t+1})\)
  • 互信息 (Mutual Information)：\(I(X; Y) = \sum_{x,y} p(x,y) \log \frac{p(x,y)}{p(x)p(y)}\)

包裹法 (Wrapper Methods)

通过模型性能反馈迭代选择特征子集，如递归特征消除 (RFE)。

嵌入法 (Embedded Methods)

在模型训练过程中内嵌特征选择，如 Lasso 的 L1 正则化自动将无关特征系数压缩至零。

from sklearn.feature_selection import mutual_info_regression

# 计算每个因子与未来收益率的互信息
mi_scores = mutual_info_regression(X_factors, y_returns)
selected = np.argsort(mi_scores)[-top_k:]  # 保留 top_k 个因子

# 基于 IC 的动态因子筛选
def rolling_ic_filter(factors, returns, window=252, threshold=0.02):
    """滚动窗口计算IC，筛选稳定有效因子"""
    ic_series = factors.rolling(window).corr(returns)
    ic_mean = ic_series.mean()
    ic_ir = ic_mean / ic_series.std()  # ICIR: IC的稳定性
    return ic_ir[ic_ir.abs() > threshold].index.tolist()

Alpha 信号构建

Alpha 信号 (Alpha Signal) 是特征工程的最终产物，代表对未来超额收益的预测。构建流程为：

  1. 原始因子计算：从多源数据提取候选因子
  2. 因子预处理：去极值 (Winsorize)、标准化 (Z-score)、中性化 (Neutralization)
  3. 因子筛选：基于 IC/ICIR 过滤无效因子
  4. 因子合成：加权组合多因子为综合 Alpha 信号
\[\alpha_i = \sum_{k=1}^{K} w_k \cdot \tilde{f}_{i}^{(k)}\]

其中权重 \(w_k\) 可通过 IC 加权、等权或优化方法确定。

因子衰减与更新

Alpha 信号存在因子拥挤 (Factor Crowding) 和Alpha 衰减 (Alpha Decay) 现象。持续的因子研发 (Factor Research) 与动态权重调整是维持策略生命力的关键。

小结

特征工程是连接原始数据与预测模型的桥梁。在金融场景中，成功的特征工程需要兼顾统计有效性与经济逻辑，避免数据窥探 (Data Snooping)，并通过严格的样本外验证确认因子的真实预测能力。