3、标签生成基础：基于未来信息的标签生成、避免未来函数、标签与特征的时序对齐

在事件驱动回测中，标签（Label）是监督学习的目标变量，通常代表未来一段时间的收益、波动或事件是否发生。标签生成的核心矛盾在于：必须使用未来信息来定义“正确答案”，但又不能在未来信息尚未发生时将其泄露给当前时刻的特征。本章围绕这一矛盾，系统讲解标签生成的基础原则、未来函数的识别与规避方法，以及标签与特征之间的严格时序对齐技术。

3.1 标签生成的基本逻辑

标签的本质是对未来状态的量化描述。常见的标签类型包括：

标签类型 定义方式 典型应用
未来N日收益率 \( r_{t+N} = (P_{t+N} - P_t) / P_t \) 趋势预测、选股
未来波动率 未来N日收益率的标准差 风险预测、仓位管理
事件标签 未来是否发生突破/回撤/财报 事件驱动策略
排序标签 未来收益在截面上的分位数 因子排序、多空组合

所有标签都依赖未来数据，但生成过程必须在回测的数据准备阶段完成，而非在策略运行阶段动态计算。这是避免未来函数的第一道防线。

3.2 未来函数的识别与规避

未来函数（Future Function）是指模型在回测时使用了当前时刻尚不可知的信息，导致回测结果虚高。在标签生成场景中，未来函数通常表现为：

  • 标签泄露：特征计算时无意中包含了标签本身或标签的衍生信息。
  • 时序错位：用 t+1 时刻的数据计算 t 时刻的特征。
  • 全局统计：使用全样本均值、标准差等统计量进行归一化，而未按时间窗口滚动计算。
⚠️ 常见未来函数陷阱
1. 使用未来收益率作为特征输入（如用未来5日涨跌幅预测未来1日涨跌幅）。
2. 在计算移动平均时，使用了包含未来数据的窗口（如未做shift操作）。
3. 使用未来数据计算标签后，又将该标签作为特征参与其他模型训练。

规避未来函数的核心原则是：在生成标签时，只允许使用当前时刻及之前的数据；在生成特征时，同样只允许使用当前时刻及之前的数据；标签与特征之间的时间关系必须严格定义并验证。

3.3 标签与特征的时序对齐

时序对齐是标签生成中最容易出错、也最容易被忽视的环节。对齐的核心是确定预测点与标签终点之间的时间偏移关系。

标签与特征时序对齐示意图 t-2 t-1 t（预测点） t+1 t+N（标签终点） 特征窗口（仅使用 t 及之前数据） 标签窗口（t+1 到 t+N 的未来数据） 预测点 对齐 关键规则：特征只用到 t 时刻，标签从 t+1 开始计算，两者在 t 时刻对齐

上图中，预测点 t 是特征计算的截止时刻，也是标签计算的起始时刻。特征只能使用 t 及之前的数据，标签则使用 t+1 到 t+N 的未来数据。两者在 t 时刻完成对齐，形成一条训练样本。

3.4 标签生成的代码实现

以下代码展示了如何在 Pandas 中安全地生成未来N日收益率标签，并避免未来函数：

import pandas as pd
import numpy as np

def generate_future_return_label(df, price_col='close', horizon=5):
    """
    生成未来N日收益率标签，严格避免未来函数。

    参数:
        df: DataFrame，必须包含价格列，且按时间升序排列
        price_col: 价格列名
        horizon: 未来天数

    返回:
        df: 新增 'label' 列，表示未来 horizon 日的收益率
    """
    df = df.copy()
    # 计算未来N日收益率：shift(-horizon) 获取未来价格
    df['future_price'] = df[price_col].shift(-horizon)
    df['label'] = (df['future_price'] - df[price_col]) / df[price_col]
    # 删除未来价格列，避免泄露
    df.drop(columns=['future_price'], inplace=True)
    # 最后 horizon 行标签为 NaN，因为未来数据不足
    return df

# 示例用法
dates = pd.date_range('2023-01-01', periods=20, freq='D')
prices = np.random.randn(20).cumsum() + 100
df = pd.DataFrame({'date': dates, 'close': prices})
df = generate_future_return_label(df, horizon=5)
print(df[['date', 'close', 'label']].head(10))
💡 关键点说明
- shift(-horizon) 将未来价格向前移动，使得当前行与未来价格对齐。
- 最后 horizon 行的标签为 NaN，在训练时需要丢弃，避免使用不完整的未来信息。
- 特征计算必须在 shift 之前完成，确保特征只使用当前及历史数据。

3.5 标签与特征的严格对齐流程

在实际回测框架中，标签与特征的对齐需要遵循以下步骤：

  1. 数据准备：确保原始数据按时间升序排列，无缺失值。
  2. 特征计算：在 t 时刻计算所有特征，仅使用 t 及之前的数据。
  3. 标签生成：在 t 时刻生成标签，使用 t+1 到 t+N 的未来数据。
  4. 对齐合并：将特征与标签按时间索引对齐，形成训练样本。
  5. 去尾处理：删除标签为 NaN 的样本（通常是最后 N 行）。
  6. 验证检查：随机抽取样本，人工验证特征与标签的时间关系是否正确。
标签与特征对齐流程 原始数据 特征计算 标签生成 对齐合并 去尾处理 验证检查 去尾处理：删除最后 N 行（标签为 NaN），验证检查：随机抽取样本人工核对时间关系

3.6 常见错误与避坑指南

错误类型 错误示例 正确做法
标签泄露 特征中包含未来收益率 特征只使用历史数据，标签单独生成
时序错位 使用 shift(1) 后未对齐索引 使用 shift(-horizon) 并检查索引
全局统计 用全样本均值归一化特征 使用滚动窗口或扩展窗口计算统计量
数据泄露 训练集包含测试集数据 按时间划分训练/验证/测试集
标签不完整 未处理最后 N 行 NaN 显式删除或填充标签为 NaN 的样本
📌 核心原则总结
1. 标签必须使用未来信息，但生成过程必须在数据准备阶段完成。
2. 特征只能使用当前及历史数据，严禁包含未来信息。
3. 标签与特征在预测点 t 严格对齐，形成训练样本。
4. 每次生成标签后，必须进行去尾处理和验证检查。

掌握标签生成的基础原则，是构建可靠事件驱动回测框架的第一步。只有确保标签与特征的时序对齐，才能避免未来函数对回测结果的污染，为后续模型训练和策略评估打下坚实基础。

← 上一章 📖 返回目录 下一章 →