4. Tick数据时间特征：时间戳解析、交易时段划分与隔夜日内特征

Tick数据的时间维度是特征工程中最基础、也最容易被忽视的环节。原始Tick流通常只携带交易所时间戳（Exchange Timestamp）或接收时间戳（Receive Timestamp），而量化策略真正需要的是结构化时间特征：交易时段归属、隔夜跳空、日内周期性模式等。本章将系统讲解如何从原始时间戳中提取高价值特征。

4.1 时间戳解析与标准化

不同交易所、不同数据供应商的时间戳格式差异巨大。下表列出常见格式及解析策略：

以下代码展示标准解析流程：

import pandas as pd
import numpy as np

# 示例：解析CME微秒时间戳
def parse_cme_timestamp(ts_micro: int) -> pd.Timestamp:
    """将CME微秒时间戳转换为UTC Timestamp"""
    return pd.Timestamp(ts_micro, unit='us', tz='UTC')

# 示例：解析Binance毫秒时间戳
def parse_binance_timestamp(ts_ms: int) -> pd.Timestamp:
    return pd.Timestamp(ts_ms, unit='ms', tz='UTC')

# 批量解析并添加本地时间列
df['trade_time_utc'] = df['timestamp_micro'].apply(parse_cme_timestamp)
df['trade_time_et'] = df['trade_time_utc'].dt.tz_convert('America/New_York')

4.2 交易时段划分

不同交易时段的市场微观结构存在显著差异。以美股为例，标准时段划分如下：

时段划分的代码实现：

def assign_trading_session(timestamp_et: pd.Timestamp) -> str:
    """根据美东时间分配交易时段"""
    time_only = timestamp_et.time()
    
    if time_only < pd.Timestamp('04:00').time():
        return 'closed'
    elif time_only < pd.Timestamp('09:30').time():
        return 'pre_market'
    elif time_only < pd.Timestamp('10:00').time():
        return 'open'
    elif time_only < pd.Timestamp('15:30').time():
        return 'regular'
    elif time_only < pd.Timestamp('16:00').time():
        return 'close'
    elif time_only < pd.Timestamp('20:00').time():
        return 'after_market'
    else:
        return 'closed'

df['session'] = df['trade_time_et'].apply(assign_trading_session)

4.3 隔夜与日内时间特征

隔夜特征和日内周期性特征是Tick数据时间特征工程的两大支柱。下面通过SVG图展示完整的特征体系：

4.4 隔夜特征工程详解

隔夜特征的核心在于捕捉非连续交易时段之间的信息断层。以下是三个核心隔夜特征的计算方法：

def compute_overnight_features(df_daily: pd.DataFrame) -> pd.DataFrame:
    """
    输入：按天聚合的日频DataFrame，包含开盘价、收盘价、成交量
    输出：隔夜特征DataFrame
    """
    df = df_daily.copy()
    
    # 1. 隔夜收益率（对数收益率）
    df['overnight_return'] = np.log(df['open'] / df['close'].shift(1))
    
    # 2. 隔夜波动率（开盘前15分钟最高最低价差 / 前日收盘价）
    df['overnight_volatility'] = (df['pre_high'] - df['pre_low']) / df['close'].shift(1)
    
    # 3. 隔夜成交量占比
    df['overnight_volume_ratio'] = df['pre_volume'] / df['total_volume']
    
    return df

4.5 日内时间特征工程

日内特征的核心是将时间戳映射到交易时段内的相对位置，并捕捉周期性模式。常用方法包括：

• 时段哑变量（Session Dummies）： 将每个Tick标记为开盘、盘中、收盘等时段，用于后续分组统计。
• 归一化时间位置（Normalized Time）： 计算当前时间距离开盘的秒数，除以当日总交易秒数，得到[0,1]区间的位置特征。
• 正弦/余弦编码（Sin/Cos Encoding）： 将时间映射到单位圆上，避免午夜/午夜的边界跳跃问题。

以下代码展示完整的日内特征生成：

def generate_intraday_features(df: pd.DataFrame, session_start: str = '09:30', 
                                session_end: str = '16:00') -> pd.DataFrame:
    """
    生成日内时间特征
    """
    df = df.copy()
    start_sec = pd.Timestamp(session_start).time().hour * 3600 + \
                pd.Timestamp(session_start).time().minute * 60
    end_sec = pd.Timestamp(session_end).time().hour * 3600 + \
              pd.Timestamp(session_end).time().minute * 60
    total_sec = end_sec - start_sec
    
    # 当前时间距午夜秒数
    df['seconds_from_midnight'] = df['trade_time_et'].dt.hour * 3600 + \
                                   df['trade_time_et'].dt.minute * 60 + \
                                   df['trade_time_et'].dt.second
    
    # 归一化时间位置 [0, 1]
    df['time_position'] = (df['seconds_from_midnight'] - start_sec) / total_sec
    df.loc[df['time_position'] < 0, 'time_position'] = 0.0
    df.loc[df['time_position'] > 1, 'time_position'] = 1.0
    
    # 正弦/余弦编码
    df['time_sin'] = np.sin(2 * np.pi * df['time_position'])
    df['time_cos'] = np.cos(2 * np.pi * df['time_position'])
    
    # 距开盘/收盘的秒数
    df['secs_since_open'] = df['seconds_from_midnight'] - start_sec
    df['secs_to_close'] = end_sec - df['seconds_from_midnight']
    
    return df

4.6 时间特征与标签校准的联动

时间特征不仅用于模型输入，还直接影响标签校准的质量。例如：

• 隔夜跳空标签校准： 如果标签基于未来N个Tick的收益率，隔夜跳空会导致标签分布出现极端值。建议在隔夜跳空超过3倍标准差时，对该Tick的标签进行缩尾处理或单独标记。
• 时段自适应标签： 不同时段的波动率差异巨大。同一收益率绝对值在开盘时段可能是正常波动，在盘中时段则可能是异常信号。建议按时段分别计算标签的Z-score。
• 时间衰减权重： 在回测或训练时，根据Tick距离当前时间的远近赋予不同权重，避免过时数据主导模型。

4.7 本章小结