2. 金融数据特征基础
在金融建模中，特征选择与稳定性验证的前提，是先把“数据长什么样、特征从哪来、质量如何、能否解释”这四件事说清楚。金融数据与图像、文本等非结构化数据不同，它具有强时间性、低信噪比、非平稳和制度依赖等特性。若跳过特征基础直接调模型，往往会在回测中表现优异，却在实盘中迅速失效。本节围绕金融数据类型、特征分类、常见特征工程方法、数据质量与可解释性四个模块展开。
一、核心原理：金融数据的四种基本类型
金融数据可按“观测频率”和“生成机制”划分为四类，每类对应不同的特征构造逻辑：
- 截面数据：同一时点多个资产的价格、市值、估值指标，用于横截面比较与排序。
- 时间序列数据：单资产按时间排列的价格、成交量、收益率，是动量、波动率特征的基础。
- 面板数据：截面与时间的结合，如多只股票多日的财务与行情数据，需同时处理个体与时间效应。
- 事件与文本数据：财报公告、新闻、舆情、宏观发布，通常转化为事件计数、情感得分或时间衰减权重。
理解数据类型决定了特征的对齐方式：截面特征需按同一交易日对齐，时序特征需防止未来函数，面板特征需处理缺失与幸存者偏差。
二、特征分类与常见工程方法
金融特征通常分为五类：价格类（收益率、动量、反转）、波动类（已实现波动率、ATR、GARCH 残差）、流动性类（换手率、Amihud 非流动性、买卖价差）、基本面类（PE、PB、ROE、营收增速）、情绪与事件类（新闻情感、搜索指数、公告密度）。
常见特征工程方法包括：差分与收益率化以消除量纲和趋势；滚动窗口统计（均值、标准差、分位数）以捕捉时变；滞后与领先构造以表达预测关系；分位数标准化与截面排序以增强稳健性；以及基于经济逻辑的组合，如“动量×低波动”。
示例：滚动波动率与截面排序特征构造
import pandas as pd
import numpy as np
# 假设 df 含 date, asset, close, volume
df = df.sort_values(["asset", "date"])
df["ret"] = df.groupby("asset")["close"].pct_change()
# 20日滚动波动率
df["vol_20"] = (df.groupby("asset")["ret"]
.rolling(20).std()
.reset_index(level=0, drop=True))
# 截面分位数排序（每日）
df["vol_rank"] = df.groupby("date")["vol_20"].rank(pct=True)
# 动量：过去20日累计收益
df["mom_20"] = (df.groupby("asset")["ret"]
.rolling(20).sum()
.reset_index(level=0, drop=True))
下表汇总了常见特征类别、典型指标与主要风险：
| 特征类别 | 典型指标 | 主要风险 |
|---|---|---|
| 价格类 | 收益率、动量、反转 | 过拟合历史行情、换手过高 |
| 波动类 | 已实现波动率、ATR | 波动聚集导致稳定性差 |
| 流动性类 | 换手率、Amihud | 小盘股失真、幸存者偏差 |
| 基本面类 | PE、PB、ROE | 财报滞后、行业不可比 |
| 情绪事件类 | 情感得分、公告密度 | 数据源不稳定、噪声大 |
三、数据质量与特征可解释性
金融数据质量直接影响特征稳定性。常见问题包括：缺失值（停牌、未披露）、异常值（涨跌停、错误报价）、时间对齐错误（财报公告日与报告期混淆）、幸存者偏差（退市样本被剔除）以及前视偏差（使用未来信息）。处理策略应遵循“先诊断、后处理”：缺失值区分随机缺失与结构性缺失，异常值结合业务规则而非简单截断，时间对齐以“可获取时间”为准。
可解释性检查清单：
- 该特征的经济含义是什么？能否用一句话说明其预测逻辑？
- 特征在不同市场 regime（牛、熊、震荡）下方向是否一致？
- 特征与目标变量的关系是否稳定，还是仅在某段样本内显著？
- 特征是否依赖特定数据源，若数据源变更是否失效？
常见误区：把“统计显著”等同于“可解释”。一个特征在回测中 IC 很高，但若无法说明其经济来源，很可能只是样本内噪声。另一个误区是过度依赖复杂变换，导致特征含义模糊，后续稳定性验证时无法定位失效原因。
四、案例复盘：从原始数据到可解释特征
假设我们要为 A 股构建月度选股模型。原始数据包括日行情、季度财报和新闻情感。第一步，将日行情聚合为月度收益率、波动率和换手率；第二步，财报数据按公告日对齐，避免使用报告期未来信息；第三步，新闻情感按日衰减加权为月度得分；第四步，对所有特征做截面分位数标准化，消除行业与市值影响。复盘时发现，动量特征在 2015 年股灾期间方向反转，说明该特征对市场状态敏感，需引入 regime 条件或缩短窗口。这一过程体现了“特征基础—质量诊断—可解释性验证”的闭环。
综上，金融特征基础不是简单的数据清洗，而是贯穿“类型识别—工程构造—质量诊断—可解释验证”的系统工程。只有把每一步做扎实，后续的特征选择与稳定性验证才有可靠的前提。