2. 金融建模基础

在进入 AutoML 自动搜索之前，必须先建立一套“金融建模的坐标系”。因为 AutoML 并不是魔法，它只是在给定的数据、任务、指标和约束下，自动搜索更优的模型与超参数组合。如果输入的数据类型、任务定义或评估指标本身有偏差，自动化只会更快地放大错误。本节围绕四个核心问题展开：金融数据长什么样、要解决什么任务、用什么指标衡量、以及业务约束如何反向塑造建模目标。

一、金融数据类型：结构决定处理方式

金融数据并非单一表格，而是多种形态并存。理解数据类型，是选择特征工程、模型族和验证策略的前提。

• 截面数据：同一时点、多个资产或客户的观测，如某日全部股票的市盈率、市值、换手率。常用于选股、信用评分。
• 时间序列数据：同一对象按时间顺序的观测，如日频收盘价、月度宏观指标。存在自相关、非平稳、季节性与结构突变。
• 面板数据：截面与时间的结合，如“多只股票 × 多天”的价量面板，是量化建模最常见的形态。
• 事件与文本数据：财报公告、新闻、舆情、交易日志，常转化为计数、情感或嵌入向量。
• 高频与订单簿数据：逐笔成交、买卖盘口，具有毫秒级时间戳和强噪声。

二、常见任务：分类、回归与时间序列

金融建模任务可归纳为三类，它们对模型和验证方式的要求差异显著。

分类任务关注“方向对不对”，回归任务关注“幅度准不准”，时间序列任务关注“时序结构是否被尊重”。在 AutoML 中，任务类型直接决定搜索空间：分类常用分层抽样与 AUC 类指标，回归常用 MSE/MAE，时间序列则必须使用时间序列交叉验证。

三、评估指标：从统计指标到业务指标

指标是 AutoML 的“指南针”。选错指标，搜索会朝错误方向优化。

• 分类指标：准确率、精确率、召回率、F1、AUC-ROC、AUC-PR。金融中类别极不平衡时，AUC-PR 比准确率更有意义。
• 回归指标：MSE、RMSE、MAE、R²。RMSE 对大误差敏感，MAE 更稳健。
• 时间序列指标：MAPE、SMAPE、方向准确率、夏普比率、最大回撤。
• 业务指标：违约损失率、组合收益、换手率、交易成本后净收益。

四、业务约束：建模的隐形边界

金融建模从来不是无约束优化。业务约束包括：

1. 可解释性：监管要求信贷、保险模型可解释，黑箱模型可能无法上线。
2. 稳定性：模型在跨时间、跨市场状态下不能剧烈漂移。
3. 成本：交易成本、数据获取成本、计算资源限制。
4. 风险限额：单资产暴露、行业集中度、回撤上限。
5. 合规与公平性：不得使用敏感特征，避免歧视性结果。

这些约束应转化为 AutoML 搜索中的硬性过滤条件或软性惩罚项。例如，限制树深度以提升可解释性，或在目标函数中加入换手率惩罚。

五、案例：一个完整的建模目标定义

假设我们要构建“股票次日涨跌方向预测”模型。数据为面板数据，任务为二分类，评估指标为 AUC-PR 与方向准确率，业务约束为：只使用价量数据、模型需可解释、换手率不超过 20%。

任务：二分类（涨/跌）
数据：面板数据（股票 × 交易日）
特征：过去20日收益率、成交量、波动率
验证：时间序列滚动窗口，训练集在前，验证集在后
指标：AUC-PR 为主，方向准确率为辅
约束：最大树深度 ≤ 5；换手率惩罚系数 0.1

这个定义可以直接映射为 AutoML 的搜索配置：模型族限定为逻辑回归与浅层 GBDT，超参数空间受限，目标函数为 AUC-PR 减去换手率惩罚。这样，AutoML 搜索出的模型才可能真正落地。

六、常见误区与复盘

• 误区一：用随机划分做时间序列验证。导致未来信息泄露，指标虚高。应使用滚动或扩展窗口。
• 误区二：只看准确率。在违约率 1% 的数据上，全预测为“不违约”也有 99% 准确率，但毫无价值。
• 误区三：忽略交易成本。高频策略回测收益高，实盘被成本吞噬。
• 误区四：把业务约束留到上线前才考虑。应在 AutoML 搜索阶段就纳入，否则最优模型可能不可用。