3、特征工程概述：特征提取、特征选择、特征变换的基本流程，特征与标签的时序对齐问题

特征工程是量化回测中连接原始数据与预测模型的桥梁。原始行情数据、财务数据、另类数据必须经过系统化的特征工程处理，才能转化为模型可用的输入信号。本章聚焦特征工程的核心流程——提取、选择、变换，并重点剖析量化场景下最容易导致未来函数（Look-ahead Bias）的时序对齐问题。

3.1 特征工程三大核心流程

特征工程并非一次性操作，而是一个包含提取、选择、变换的迭代闭环。下表总结了每个环节的目标与典型方法：

3.2 特征提取：从原始数据到候选特征

特征提取是特征工程的第一步，其质量直接决定模型的上限。在量化领域，特征提取通常围绕以下三类数据展开：

• 时序特征：基于单一资产的历史价格、成交量、持仓量计算。例如：过去N日收益率、波动率、成交量变化率、移动平均线交叉信号。
• 截面特征：在同一时间点对所有资产进行排序或比较。例如：市值排名、过去一个月收益率的截面分位数、行业相对强度。
• 另类特征：来自非传统数据源。例如：新闻情感得分、社交媒体热度、卫星图像数据、供应链关系指标。

以下是一个简单的特征提取代码示例，展示如何避免未来函数：

import pandas as pd
import numpy as np

# 假设 df 包含日期、股票代码、收盘价，已按日期排序
def extract_features(df, lookback=20):
    df = df.copy()
    # 使用 shift(1) 确保特征只用到历史数据
    df['ret_1d'] = df['close'].pct_change()
    df['ret_5d'] = df['close'].pct_change(5)
    df['ma_20'] = df['close'].rolling(window=lookback).mean().shift(1)
    df['vol_20'] = df['close'].rolling(window=lookback).std().shift(1)
    # 避免使用未来数据：shift(1) 后，当前行的特征值只包含截至前一日的信息
    df['ma_20_shift'] = df['ma_20'].shift(1)
    return df.dropna()

3.3 特征选择：降维与去噪

候选特征数量往往远大于有效特征数量。特征选择的目标是剔除冗余、噪声特征，提升模型泛化能力。常用的选择策略包括：

1. 过滤法（Filter）：独立于模型，基于特征与标签的统计关系。常用指标：信息系数（IC）、Rank IC、方差阈值。
2. 包裹法（Wrapper）：使用模型性能作为评价标准，迭代搜索特征子集。例如：递归特征消除（RFE）、前向/后向搜索。
3. 嵌入法（Embedded）：在模型训练过程中自动进行特征选择。例如：Lasso回归的L1正则化、树模型的特征重要性排序。

3.4 特征变换：标准化与非线性映射

特征变换旨在改善特征分布，使其更适合模型假设。常见的变换操作包括：

3.5 特征与标签的时序对齐：核心难点

时序对齐是量化特征工程中最容易被忽视但后果最严重的环节。错误的时序对齐会导致特征包含未来信息，使回测结果严重失真。下图展示了正确的时序对齐流程：

时序对齐的核心原则可以概括为：特征值的时间戳必须严格早于标签的时间戳。具体来说：

• 特征时间戳：特征计算截止时刻（如上图中的T时刻），特征值仅使用该时刻之前的数据。
• 标签时间戳：未来收益的计算起始时刻（如上图中的T+1时刻），标签使用该时刻之后的数据。
• 对齐方式：将特征时间戳与标签时间戳进行匹配，确保每个样本的特征都来自标签之前的信息。

3.6 时序对齐的实践方案

在实际回测中，推荐使用以下方案确保时序对齐的正确性：

1. 数据预处理阶段：在原始数据中显式添加特征时间戳和标签时间戳字段，避免依赖行索引。
2. 特征计算阶段：所有滚动窗口计算完成后，使用 .shift(1) 将特征值向后移动一个时间单位，确保当前行的特征不包含当前时刻的信息。
3. 样本构建阶段：使用显式的日期匹配逻辑，将特征数据与标签数据按时间戳对齐，而非按行号对齐。
4. 验证阶段：在回测结果中随机抽取样本，手动检查特征值与标签值的时间先后关系，作为质量检查步骤。

以下代码展示了正确的时序对齐实现：

def align_features_and_labels(feature_df, price_df, label_window=5):
    """
    正确对齐特征与标签，避免未来函数
    
    参数:
        feature_df: 包含特征值及时间戳的DataFrame
        price_df: 包含价格及时间戳的DataFrame
        label_window: 未来收益计算窗口
    
    返回:
        对齐后的样本集
    """
    # 计算未来收益作为标签
    price_df['future_ret'] = (price_df['close'].shift(-label_window) 
                              / price_df['close'] - 1)
    
    # 合并特征与标签，使用左连接确保特征时间戳为主
    aligned = feature_df.merge(
        price_df[['date', 'future_ret']], 
        on='date', 
        how='left'
    )
    
    # 删除标签为NaN的样本（窗口末尾数据）
    aligned = aligned.dropna(subset=['future_ret'])
    
    # 验证：确保特征时间戳早于标签计算起始时间
    # 特征使用截至date的数据，标签使用date之后的数据
    return aligned