4、变量衍生基础：衍生变量的意义、常见衍生方法（滞后、差分、滚动统计）

原始因子数据往往只包含某一时刻的截面信息，缺乏时间序列上的动态特征。变量衍生（Feature Engineering）正是通过数学变换，从原始变量中提取出更具预测能力的新变量，从而捕捉市场微观结构、趋势动量与波动聚集等非线性规律。本节将系统阐述衍生变量的核心价值，并逐一讲解三种最基础的衍生方法：滞后、差分与滚动统计。

4.1 衍生变量的意义

在量化因子研究中，原始数据通常以“时间 × 股票”的矩阵形式存在。直接使用原始值作为因子，往往存在以下局限：

• 信息滞后性：当前价格已包含历史信息，但原始值无法直接反映变化趋势。
• 缺乏动态视角：截面比较只能看到相对强弱，无法刻画个股自身的时间序列行为。
• 噪声干扰：单期数据受微观结构噪声影响大，需要平滑或差分来提取信号。

下表总结了原始变量与衍生变量在信息维度上的差异：

4.2 常见衍生方法

以下三种方法构成了变量衍生的基石，几乎所有高阶衍生（如动量因子、反转因子、波动率因子）都建立在此基础之上。

4.2.1 滞后（Lag）

滞后操作将当前时刻的变量向后平移若干期，用于对齐不同时间点的数据，或构造自回归特征。其数学表达式为：

Lag(X, k) = X_{t - k}

其中 k 为滞后阶数。在量化研究中，滞后变量常用于：

• 构造自回归因子：用过去收益预测未来收益。
• 对齐不同频率数据：将日频因子与月频收益对齐。
• 避免未来信息：确保因子在回测时只使用已知数据。

4.2.2 差分（Difference）

差分计算相邻两期或多期之间的变化量，用于消除趋势、提取增量信息。一阶差分公式为：

Diff(X, 1) = X_t - X_{t-1}

高阶差分（如二阶差分）可捕捉加速度信息：

Diff(X, 2) = (X_t - X_{t-1}) - (X_{t-1} - X_{t-2})

差分变量的典型应用场景：

• 价格收益率：对数价格的一阶差分即为对数收益率。
• 成交量变化：成交量差分可反映资金进出强度。
• 因子动量：因子值本身的差分可作为因子变化的代理变量。

4.2.3 滚动统计（Rolling Statistics）

滚动统计在固定长度的时间窗口内计算统计量，是最常用的平滑与特征提取方法。常见滚动统计量包括：

窗口长度 N 的选择直接影响衍生变量的性质：

• 短窗口（N=5~10）：对短期变化敏感，适合捕捉反转信号。
• 中窗口（N=20~60）：平衡平滑与响应速度，适合趋势跟踪。
• 长窗口（N=120~250）：强平滑，适合刻画长期均值回归特征。

4.3 衍生方法的组合应用

在实际因子研究中，单一衍生方法往往不足以充分提取信息。更常见的做法是将三种方法组合使用，形成复合衍生变量。以下是一个典型的组合流程：

1. 原始数据：日频收盘价 Close_t。
2. 一阶差分：计算日收益率 Ret_t = Close_t / Close_{t-1} - 1。
3. 滚动统计：对收益率计算 20 日滚动均值 MA_Ret_t 与滚动标准差 Std_Ret_t。
4. 滞后：将 MA_Ret_t 滞后 1 期，避免未来信息，得到因子 Factor_t = MA_Ret_{t-1}。
5. 二次衍生：对 Std_Ret_t 再做差分，得到波动率变化量 Delta_Vol_t。

import pandas as pd
import numpy as np

# 假设 df 包含股票日频收盘价，index 为日期，columns 为股票代码
close = df['Close']

# 1. 差分：计算日收益率
ret = close.pct_change()

# 2. 滚动统计：20日滚动均值与标准差
ma_ret = ret.rolling(window=20).mean()
std_ret = ret.rolling(window=20).std()

# 3. 滞后：将滚动均值滞后1期，避免未来信息
factor = ma_ret.shift(1)

# 4. 二次衍生：波动率变化量
delta_vol = std_ret.diff()

# 最终因子矩阵
final_factor = pd.DataFrame({
    'momentum_factor': factor,
    'vol_change': delta_vol
})

4.4 衍生变量的IC分析要点

生成衍生变量后，必须通过IC分析验证其有效性。以下是针对衍生变量的IC分析要点：

• 滞后阶数敏感性：不同滞后阶数的IC可能差异显著，建议扫描 k=1~20 的IC序列，选择峰值对应的阶数。
• 窗口长度优化：滚动窗口 N 过小则噪声大，过大则信号迟钝。可通过滚动IC（Rolling IC）观察不同 N 下的IC稳定性。
• 多重共线性：多个衍生变量之间可能存在高度相关（如滚动均值与原始变量的滞后），需进行相关性检验或使用PCA降维。
• 衰减速度：差分变量的IC通常衰减较快（信息快速被市场吸收），滚动统计量的IC衰减较慢（趋势信息更持久）。