一、为什么特征工程决定了 AI 量化策略的上限？

AI 模型最终学习的是：

价格背后的深层结构与行为模式。

这些模式来自你输入的特征：

• 技术特征（如移动平均）

• 基本面特征（PE、ROE 等）

• 高频特征（盘口）

• 宏观特征

• 情绪特征（新闻、社交媒体）

• 链上数据（加密货币）

• 交叉市场特征（利率、汇率、商品价格）

AI 模型本质上是一种 多维特征处理器：

• 输入的维度越丰富

• 信号越多样

• 稳定性越强

• 交易系统越能理解行情

真正赚钱的 AI 策略不是因为用了高级模型，而是因为：

特征包含了未来价格真正的驱动力。

二、构建 AI 量化特征工程体系的“三层结构”

完整的 AI 量化特征体系包含 3 层结构：

层级 1：Raw Data（原始数据层）

常见类型：

1. K 线数据（Bar 数据）

• 开高低收（OHLC）

• 成交量、成交额

• VWAP

2. Level 2 盘口数据（微观结构）

• bid/ask 深度

• 成交笔数

• 大单占比

• 市场冲击成本

3. 基本面数据

• 财报（EPS、ROE、ROA、负债率、现金流）

• 财务指标（存货、分红、营收增速）

4. 新闻 + 社交媒体情绪

• Twitter（X）

• Reddit

• 新闻标题

• 财报电话会议文本

5. 宏观数据

• CPI、利率曲线、PMI

• 国债收益率

• 汇率、利差

6. 交叉资产

• 黄金

• 原油

• DXY

• 比特币（跨市场情绪指标）

7. Alternative Data（另类数据）

• 海运指数

• 卫星图像（港口、工厂）

• LinkedIn 员工变动

• Google Trends

层级 2：Feature Transformation（特征变换层）

给原始数据做数学、逻辑层面的变换，形成模型可识别的特征。

8 大标准特征变换：

1. 时间窗特征（Rolling Window）

• Rolling mean

• Rolling std

• Rolling skew

• Rolling kurt

2. 动量特征（Momentum）

• 3 日、10 日、20 日、60 日收益

• RSI、CCI、Stoch

3. 波动率特征（Volatility）

• Garman-Klass

• Parkinson

• Realized Volatility（高频）

4. 趋势特征（Trend）

• 均线斜率

• MA 与价格偏离

• MACD、KDJ

5. 形态特征（Patterns）

使用一维 CNN 可以从 K 线形态中自动提取：

• 上升三角

• 通道突破

• 双底/三顶

6. 微观结构特征（Microstructure）

• Order Imbalance

• Signed Volume

• Price Impact

• Market Depth Imbalance

7. 文本情绪（NLP 特征）

• GPT Embedding

• BERT Embedding

• FinBERT 情绪标签（positive/negative/uncertain）

• TF-IDF

• 主题模型（LDA）

8. 特征交互（Interaction Features）

交叉市场关系：

• 股票价格 vs 国债收益率变化

• 科技股 vs 美元指数

• A 股 vs 港股

层级 3：Feature Selection（特征选择层）

最终从上千维特征中选出最稳定的一小部分。

常用方法：

方法 1：统计相关性过滤（Correlation Filter）

去掉：

• 高皮尔逊相关的特征（>0.85）

• 高多重共线性的特征（VIF > 10）

方法 2：信息量筛选（Information Value / MI）

使用互信息（mutual information）筛掉无意义特征。

方法 3：树模型选择（LightGBM / XGBoost Importance）

如果以下类型特征都入选 → 稳定性更高：

• 价格动量

• 成交量

• 波动率

• 微观结构

• 文本情绪

说明模型不是单一信号驱动。

方法 4：SHAP 值过滤（Explainability）

优点：

• 可以看到特征对预测的方向性与稳定性

• 可以识别反直觉的、有问题的特征（未来函数）

方法 5：稳健性测试（R1–R7）应用到特征层

如果某个特征：

• 在不同市场收益一致 → 保留

• 在不同市场收益断崖式变化 → 删除

• 在加噪声时重要性改变巨大 → 删除

三、构建一套专业级 Feature Store（特征库）

顶级量化基金都有自己的 Feature Store，它的作用：

• 统一管理特征

• 自动处理缺失值

• 自动对齐时间

• 自动 PIT（Point-in-Time）

• 自动维护滚动窗口

一个 Feature Store 必须满足：

1. 特征可重现（Reproducibility）

任何人、任何时间跑，结果必须一致。

2. 特征时间点一致（Point-in-Time）

不能用未来数据。

3. 更新机制（Daily / Intraday）

自动增量更新。

4. 容量扩展（Scale）

能存：

• 百万行 × 上千维特征

• 多市场 × 多频率

云端典型架构：

• 数据层：S3 / BigQuery

• 计算层：Spark / Ray

• 管理层：Feast / 自研

四、AI 量化特征工程常见四大陷阱

1. “偷看未来”的特征

例如：

• 使用财报真实公布日之前的数据

• rolling window 使用未来窗口

• scaler 在全数据 fit

结果是：
回测好得离谱，但实盘100%炸。

2. 过度平滑

特征太平滑 → 模型反应迟钝
特征太快 → 噪音巨大

真实策略需要 “快慢结合”。

3. 文本情绪特征误用

新闻发布时间 vs 实际可交易时间
极易泄漏。

4. 特征数量过多

特征越多 → 越容易过拟合。

一般建议：

• 股票日频：50–200 个特征

• 高频：20–100 个特征

• 文本情绪：embedding 降维后 ≤ 50

• 宏观：10–50

五、一个完整的 AI 量化特征工程示例（端到端）

假设你在做 美股日频 AI 多因子策略：

数据集（示例）

• 过去 10 年 SP500 成分股（含退市）

• 日 K 线

• 财报数据

• 新闻标题（embedding）

• 宏观指数（DXY、VIX、10Y 国债收益率）

特征工程流程（生产级）

Step 1：对齐数据时间（PIT）

确保：

• 财报 T+1 生效

• 新闻时间戳对齐

• K 线按交易日对齐

Step 2：生成技术特征（60+）

如：

• momentum: 10d, 20d, 60d

• volatility: 20d, 60d

• MA/EMA

• ATR

• price deviation

Step 3：生成基本面特征（20+）

• ROE、ROA

• 负债率

• EBIT 增速

• 总资产周转率

Step 4：文本情绪特征（10+）

• FinBERT 情绪

• 新闻 embedding（降维到 8 维）

Step 5：宏观特征（10+）

• 10Y–2Y 利差

• 市场波动指数（VIX）

• 美元指数（DXY）

Step 6：特征选择（最终保留约 100 个）

使用：

• LightGBM importance

• SHAP

• MI

• 多市场稳定性

六、总结：你的 AI 量化策略，不能没有成熟特征工程体系

核心思路：

特征工程比模型重要 10 倍。

一套成熟 AI 量化特征体系具备：

• 多数据源

• 多频率

• 多维特征

• 时间一致（PIT）

• 稳健过滤

• 自动化 Feature Store

• 可复现

构建好这套体系，你的 AI 模型才真正有机会学到“市场的底层结构”。

这也是为什么：

• 顶级基金花 60% 时间在特征

• 只有 20% 时间花在模型

• 20% 时间花在交易执行