3. 跨股票特征工程概览

逐笔数据是市场最细粒度的成交记录，单只股票一天往往产生数万到数十万条事件。若直接把原始逐笔字段喂给模型，模型学到的往往是“这只股票在某个价位、某个时段、某种流动性下的特有习惯”，而不是可跨股票复用的规律。跨股票特征工程的核心任务，就是把与具体股票绑定的原始事件，转换为量纲统一、分布可比、语义稳定的特征向量，使同一套特征定义在 A 股、B 股甚至不同板块之间都能成立。

本节先建立整体流程的骨架，再讨论特征分类与标准化的必要性，为后续的逐笔特征构造与迁移检验打下共同语言。

一、从原始逐笔事件到特征向量的四层结构

一条典型的逐笔成交记录包含：证券代码、成交时间（精确到毫秒或十毫秒）、成交价格、成交数量、买卖方向标识（主动买/主动卖或委托单号推断）、成交编号等。原始事件本身是“点”，而特征工程要做的是把点连成“段”，再把段压缩成“向量”。可以把它拆成四层：

• 事件层：原始逐笔成交/委托记录，字段为价格、数量、方向、时间戳。
• 切片层：按固定时间窗（如 10 秒、30 秒、1 分钟）或按成交量/笔数事件窗（如每 50 笔）把事件流切分成若干“切片”，每个切片是一个分析单元。
• 统计层：在每个切片内计算价、量、方向、节奏四类统计量，形成原始特征。
• 标准化层：对原始特征做量纲对齐与分布对齐，输出可迁移特征。

这四层的关系不是简单的线性流水线，切片层与统计层之间还存在“窗口长度”这一关键参数的回馈：窗口太短，统计量噪声大；窗口太长，又会把不同市场状态混在一起。实践中常同时构造 10 秒、30 秒、60 秒三档窗口，再在标准化层做多尺度融合。

二、特征分类：四类语义与迁移难度

把统计量按语义分成四类，有助于判断哪些特征天然可迁移、哪些需要重点标准化：

可以看到，占比、比率、收益率这类“已经做过一次除法”的特征迁移难度最低；而绝对量、绝对笔数、绝对时间间隔迁移难度最高，必须经过标准化才能跨股票使用。这也解释了为什么特征工程中要优先构造比率型特征，而不是把原始量直接堆进模型。

三、标准化的必要性：三个层面的不可比

假设我们用同一套特征在股票 A 和股票 B 上训练与检验。若不标准化，至少存在三层不可比：

1. 量纲不可比：A 的 30 秒成交量均值可能是 5 万股，B 可能是 80 万股，同一权重在两者上的实际影响完全不同。
2. 分布不可比：A 是大盘蓝筹，成交节奏平稳；B 是小盘活跃股，笔数间隔忽长忽短。同一特征的分布形状、偏度、尾部厚度都不同。
3. 状态不可比：同一只股票在开盘集合竞价后、午盘、尾盘的状态差异，可能比两只股票之间的差异还大。标准化必须能区分“股票间差异”与“时段状态差异”。

因此标准化不只是“减均值除标准差”一步。工程上通常分两步走：先做稳健缩放（如用中位数与四分位距 IQR 替代均值与标准差，抵抗逐笔数据的厚尾与极端大单），再做横截面排序归一（把同一时刻不同股票的特征值转成排名分位数），从而把“绝对水平”转成“相对位置”。

# 稳健缩放示例（教学示例参数）
median = feature.median()
iqr = feature.quantile(0.75) - feature.quantile(0.25)
robust = (feature - median) / (iqr + 1e-9)

# 横截面排序归一：同一时间截面上跨股票比较
rank_pct = feature.groupby("timestamp").rank(pct=True)

四、一个可执行的最小流程

把上述结构落成可操作的步骤，可以归纳为一条最小链路：读取逐笔 → 按 30 秒切片 → 计算四类统计量 → 稳健缩放 → 横截面排序归一 → 输出特征矩阵（行=切片，列=特征）。其中有两个容易踩坑的细节：

• 切片边界要对齐交易日：跨日切片必须丢弃或单独标记，否则会把收盘与次日开盘拼进同一窗口。
• 标准化参数只能来自训练段：中位数、IQR、排序基准都应在训练时间窗内估计，再应用到检验段，避免未来信息泄漏。

完成这一步后，我们得到的就不再是“某只股票的逐笔记录”，而是一张行是时间切片、列是语义统一特征的矩阵。后续的跨股票迁移检验，本质上就是检验这张矩阵在源股票上训练出的关系，能否在目标股票上保持稳定。特征分类决定了哪些列值得保留，标准化决定了这些列是否真的可比——这正是本节要建立的两个基本判断。