2. 逐笔数据基础与跨股票异质性

逐笔特征标准化的前提，是先看清原始逐笔数据长什么样，以及不同股票之间到底在哪些维度上"不一样"。如果忽略这种异质性，直接把一只股票上训练出的特征阈值套到另一只股票上，模型很可能把"正常的流动性差异"误判为"异常信号"。本节从数据结构出发，逐层拆解价格水平、波动率、流动性三类差异如何传导到特征分布上。

一、逐笔成交与委托数据的结构

沪深市场的逐笔数据通常分为两类：逐笔成交（Trade）与逐笔委托（Order）。逐笔成交记录每一笔撮合成交，核心字段包括成交时间（精确到毫秒或十毫秒）、证券代码、成交价格、成交数量、成交金额、买卖方向标识（主动买/主动卖，部分数据源以内外盘或 BS 标志给出）以及成交编号。逐笔委托记录每一笔进入撮合队列的委托，核心字段包括委托时间、委托价格、委托数量、买卖方向、委托类型（限价/市价/本方最优等）以及委托编号。

两类数据的关键差别在于"事件语义"：成交是已发生的撮合结果，委托是尚未成交的意图。因此由逐笔成交可以派生主动买卖量、大单占比、成交价差等"已实现"特征；由逐笔委托可以派生委托簿不平衡、撤单率、委托价格相对盘口的偏移等"意图"特征。标准化时必须区分这两类来源，因为它们的量纲和分布形态差异很大——成交量是正整数且右偏严重，委托价格偏移则可能围绕零对称分布。

一个常被忽视的细节是时间戳对齐。不同数据源的时间精度可能是毫秒、十毫秒甚至秒级快照，同一秒内的事件顺序依赖编号而非时间。做跨股票特征时，应统一到相同的时间粒度（例如统一聚合到 3 秒或 10 秒窗口），否则高活跃股票在细粒度窗口内事件密集、低活跃股票事件稀疏，窗口内样本量本身就成了混杂因素。

二、跨股票异质性的三个主要来源

价格水平差异。高价股与低价股在同一"最小变动价位"下，相对价格精度完全不同。以 A 股 0.01 元的最小报价单位为例，10 元股票的 tick 相对幅度是 0.1%，而 100 元股票只有 0.01%。这直接导致高价股的买卖价差（以相对值计）系统性更小、价格序列更"平滑"，而低价股的价格跳跃更粗糙。若用绝对价差做特征，高价股天然数值更大；若用相对价差，低价股又因离散化而呈现阶梯状分布。

波动率差异。不同股票的日内已实现波动率可能相差数倍。波动率高的股票，其收益率分布尾部更厚，成交量与价格变化的联动更强。对成交量取对数、对收益率做波动率归一化（如除以滚动标准差），是缓解这一差异的常用手段，但归一化窗口的选择本身会引入新的股票间差异。

流动性差异。流动性体现在盘口深度、成交频率、换手率和冲击成本上。高流动性股票盘口挂单厚、成交密集、大单对价格冲击小；低流动性股票则相反。流动性差异会让"大单"的绝对阈值失效——同样是 50 万元的单笔成交，对一只日成交额数亿元的股票是常态，对一只日成交额几千万元的股票则是显著异常。

三、异质性如何改变特征分布

把上述差异落到具体特征上，可以归纳为三种典型影响。第一类是位置漂移：绝对量纲特征（成交额、委托量、价差绝对值）的均值随股票规模系统性变化，直接做 z-score 后，大盘股的特征值仍可能整体偏高。第二类是形状改变：低价股的相对价差因 tick 离散化呈现多峰或阶梯分布，高价股则接近连续分布，同一变换无法同时适配。第三类是稀疏性差异：低流动性股票在固定时间窗口内可能只有寥寥数笔成交，导致窗口统计量方差极大，甚至出现空窗口。

因此，跨股票标准化的核心思路不是"用一套参数抹平一切"，而是先按异质性来源分层，再在层内做可比变换。常见做法包括：对金额和数量类特征取对数；对价格类特征转为相对值（除以中间价或滚动均价）；对计数类特征按窗口内事件总数归一；对分布形状差异明显的特征，采用按价格分组的经验分位数映射（将原始值映射到 [0,1] 的分位区间），使不同股票的同名特征在各自分布上具有相同的相对位置。

四、一个可操作的分层标准化示例

假设我们要为三只示例股票构造"单笔成交金额强度"特征，并做跨股票可比化。示例参数如下（均为教学假设，非实测）：股票 A 价格约 8 元、日成交额 2 亿元；股票 B 价格约 45 元、日成交额 15 亿元；股票 C 价格约 120 元、日成交额 6 亿元。直接使用单笔成交金额的均值，B 会显著高于 A 和 C，但这主要反映规模而非"大单异常程度"。

步骤1  按股票分别计算单笔成交金额 amt 的滚动 20 日经验分布
步骤2  对每笔成交求分位值 q = F_stock(amt)，映射到 [0,1]
步骤3  以 q 替代原始 amt 作为特征输入
步骤4  校验：各股票 q 的均值应接近 0.5，方差接近均匀分布理论值 1/12
步骤5  若某股票 q 的分布明显偏离均匀（如大量堆积在 0.9 以上），
       检查是否存在涨跌停、集合竞价等特殊时段未剔除

这一流程的关键判断依据是分位映射后的分布形状：如果映射正确，三只股票的特征都应近似均匀分布，跨股票的均值与方差可比；如果某只股票仍出现尖峰，通常说明其原始分布存在截断（如低价股受 tick 约束）或特殊时段污染，需要回到数据清洗环节处理，而不是继续调标准化参数。

需要强调的是，分层标准化的目标是"可比"，不是"相同"。过度归一化会抹掉股票间真实存在的流动性溢价与波动率差异，而这些差异本身可能正是预测信号。合理的做法是保留一部分绝对水平信息（例如把股票规模、波动率作为额外特征一并输入），让模型自己学习如何在可比特征与原始水平之间权衡。