最近看到群里有人讨论：“股市真的能预测吗？我看好多人都说预测股票是伪命题。”
我听完这句话，脑子里第一个反应是：不是不能预测，是你喂给模型的东西就不对。
你想啊，模型又不是什么算命先生，它不可能通灵。它能预测，是因为你让它“看到”了一些有规律的东西。换句话说：
不是模型预测能力有问题，而是你让它“看”的那些特征，本身就没信息量。
有些人直接拿开高低收、换手率、成交额这些通用特征就塞进模型，生怕数据不够多。但问题是，这些变量在某些场景下几乎不带“信号”，只带“噪音”。
说得狠一点，你塞进去的数据，模型看了半天，最后得出一个结论：“啊对对对，我也不知道这股票该涨还是跌。”
所以今天，我们不谈模型，不谈策略，我们就聊一件事：怎么把“有用的信息”变成“模型能理解的特征”。
也就是——特征工程，干就完了。
模型不是你爹，自己得喂饭
你看那些做高频的，对吧，搞 tick 数据，甚至 Level-2、盘口异动，搞得花里胡哨，其实本质上就一个目标：提炼有用信号。
但咱们大多数人用的是日线、周线、财报数据，这种情况下，如果你不把特征琢磨透，模型十有八九学到的是噪音。
我自己踩过最深的坑之一就是：“信息量和特征个数没半毛钱关系。”
曾经我一口气提了300多个因子，兴高采烈地跑模型。回测一看，全绿。那种绿，像刚割完的草坪一样整齐。模型根本没学到任何信号，因为大部分特征就是在数据表里显眼但没卵用的“看客”。
特征该怎么构造？花姐这回整点“真家伙”
刚刚讲的那点基础的特征处理只是热身。下面这几种处理方式，是我平时自己实战中高频使用的武器。
你不一定全用，但你一定得知道它们存在。
一、把时间想清楚，再决定“你该看哪里”
这句话听着有点悬，我解释一下。
我们很多时候在用财报数据，比如净利润、营业收入。这些变量是滞后的，季报年报披露出来的时间和报告期不一致，你拿错了时间，预测就变成偷看答案之后的事后诸葛。
比如你训练集用的是2023年3月31号的股票数据，你不能用2022年四季度财报——因为那时候财报可能还没发。
正确姿势？
做一个“数据可得时间表”，比如每个财务指标都附加一个发布时间，用这个字段做 mask。
你可以这么处理：
df["is_available"] = df["date"] >= df["fa_time"]
然后再根据这个is_available来判断是不是该用这个数据。
这一点看着细，但一不注意就是“未来函数”。
二、跨时间的统计值，才是“趋势”的本体
我以前总以为静态的值比如“ROE=15%”就够了，直到后来我开始做跨期变化量，发现模型精度直接上了一个台阶。
比如我们不直接用毛利率，而是看它同比变化：
df["毛利率变化"] = df["毛利率"] - df["毛利率"].shift(4)
你甚至可以继续拓展，做出“斜率”这种特征：
import numpy as np
from sklearn.linear_model import LinearRegression
def get_slope(series):
X = np.arange(len(series)).reshape(-1, 1)
y = series.values.reshape(-1, 1)
return LinearRegression().fit(X, y).coef_[0][0]
df["pe_斜率"] = df["pe"].rolling(5).apply(get_slope, raw=False)
这不是乱搞，是让模型知道这个公司估值在“爬坡”还是“下坡”。
三、市场行为类特征 > 财务特征
我个人的体感是，大多数短期价格的变化，其实和市场行为有关，而不是基本面。
举个例子，某只股票刚刚被北向资金爆买一周，是不是意味着它短期内会有热度？
于是我构造了这么一个特征：
df["北向买入5日占比"] = df["北向买入金额"].rolling(5).sum() / df["总成交额"].rolling(5).sum()
然后再做个分位：
df["北向热度"] = df["北向买入5日占比"].rank(pct=True)
你猜猜效果？模型明显喜欢这种能反映“情绪面”的变量。
四、用“结构型变量”重新组织信息
比如我们经常看财报，其实很多指标之间是有结构关系的。
营业收入 - 营业成本 = 毛利
毛利率的提升，其实很多时候跟成本控制更相关，而不是卖得多。
那我有一次就突发奇想：我想知道一家公司“靠什么在赚钱”。
于是我造了个变量：
df["cost_ratio"] = df["营业成本"] / df["营业收入"]
再和行业平均对比：
df["cost_alpha"] = df["cost_ratio"] - df.groupby("行业")["cost_ratio"].transform("mean")
这个cost_alpha就变成了一个结构残差变量。它告诉我这个公司是不是“成本结构优于同行”。
这种特征，很多时候一塞进去，模型立马就有反应了。
五、用模型自己造特征？可以，但别太信
很多人觉得特征工程太麻烦，直接上PCA、AutoEncoder一顿压缩搞定。
我也玩过，比如：
from sklearn.decomposition import PCA
pca = PCA(n_components=5)
df_pca = pca.fit_transform(df[numeric_cols])
结果呢？看着高大上，解释性全无。而且压缩后丢了很多非线性关系，模型反而跑不动了。
所以我一般不太推荐“纯自动”的特征构造。除非你真的已经知道你构造的是“冗余维度”或者“强共线”。
聊完特征该怎么构造，接下来我们讲讲 常用的特征工程方法
一、编码分类变量
我们经常遇到这种数据：
| 股票代码 | 行业 | 板块 |
|---|---|---|
| 000001 | 银行 | 金融 |
| 600519 | 白酒 | 消费 |
你直接把“银行”“白酒”塞进模型，模型一脸懵逼。它又不是 GPT，不认汉字，只认数字。 所以你得把它“翻译”一下。
有两种主流方式：
1. Label Encoding（整数编码）
import pandas as pd
data = {
"股票代码": ["000001", "600519", "000858", "600036", "601318"],
"行业": ["银行", "白酒", "白酒", "银行", "保险"],
"板块": ["金融", "消费", "消费", "金融", "金融"]
}
df = pd.DataFrame(data)
df["hangye_code"] = df["行业"].astype("category").cat.codes
df["板块_code"] = df["板块"].astype("category").cat.codes
print(df)
股票代码 行业 板块 hangye_code 板块_code
0 000001 银行 金融 2 1
1 600519 白酒 消费 1 0
2 000858 白酒 消费 1 0
3 600036 银行 金融 2 1
4 601318 保险 金融 0 1
效果是：“银行”=2，“白酒”=1…… 优点：简单 缺点：模型会误以为这些行业有大小、有顺序，容易出事。线性模型尤其不友好。
2. One-Hot Encoding（独热编码）
df = pd.get_dummies(df, columns=["行业", "板块"])
股票代码 行业_保险 行业_白酒 行业_银行 板块_消费 板块_金融
0 000001 False False True False True
1 600519 False True False True False
2 000858 False True False True False
3 600036 False False True False True
4 601318 True False False False True
变成多个0/1列：你是就1，不是就0。
模型最爱这个。 但弊端是：特征维度爆炸，尤其是那种“有上百种风格板块”的列。
实际操作中，我会结合使用，比如：
- 频率高的行业做 One-Hot
- 低频类合并成“其他”再编码
- Tree 模型直接用 Label Encoding 也能扛得住（它能“看穿”这些数值）
二、 缺失值处理
股市数据不全是干净的，有的指标压根没填，有的公司数据就那样烂掉了。
如果你直接用：
model.fit(df)
它就崩了，报错一堆。
所以我们要给模型打个补丁，让它知道“这里我不知道，但我不是瞎填的”。
几种实用方式：
1. 直接填常数（0 或 -1）
适合那种 “缺就表示没发生”的数据 比如：股东增持金额，如果没填，通常代表“没人增持”。
df["zengchi"] = df["zengchi"].fillna(0)
2. 均值 / 中位数填充
df["pb"] = df["pb"].fillna(df["pb"].mean())
看似合理，但小心被异常值影响。
3. 加一列“缺失标志”，让模型自己判断缺失有无信号
df["is_null_pb"] = df["pb"].isnull().astype(int)
4. 删除大法
删除含有缺失值的样本或特征
比如我们在做均线指标之后，前面的数据会是空值，我们会采用df.dropna()删掉空值。
注意：很多时候，“数据缺失” 本身就是一种 “信号” ！
三、特征分箱
分箱的好处，是让模型“按段学习”。 就像你教小孩数学不会直接上微积分，而是先分阶段讲：个位数、十位数……
举个例子，波动率vol，太低没人玩，太高可能超跌——那你就这样切：
df["vol_bin"] = pd.qcut(df["vol"], 5, labels=False)
也可以用pd.cut按固定值切。
我还喜欢搞自定义分箱，比如市值这种，一眼就能看出“超大盘”“中盘”“小盘”。
bins = [0, 1e9, 1e10, 5e10, 1e11, np.inf]
labels = [1, 2, 3, 4, 5]
df["size_level"] = pd.cut(df["市值"], bins=bins, labels=labels)
实战小贴士： 分箱之后加个交互特征（下面讲），威力翻倍。
四、 特征缩放
你有没有见过这种表：
| 股票 | 市值（亿） | 换手率 |
|---|---|---|
| A | 8763 | 0.03 |
| B | 236 | 0.17 |
市值这个量级太夸张了，直接影响模型权重。
所以我们要“标准化”或“归一化”：
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
df["市值_std"] = scaler.fit_transform(df[["市值"]])
或者：
df["换手_norm"] = (df["换手率"] - df["换手率"].min()) / (df["换手率"].max() - df["换手率"].min())
注意：Tree 模型（比如 XGBoost）一般不需要缩放，但神经网络、线性模型非常需要！
五、创建交互特征
这是花姐我最爱的操作之一。 很多人只想到“构造新特征”，但不懂“变量之间的关系才最有信息量”。
比如：
df["pe_roe_ratio"] = df["pe"] / (df["roe"] + 1e-6)
又比如：
df["is_value_growth"] = ((df["pe"] < 15) & (df["roe"] > 12)).astype(int)
这种布尔交互变量非常有意思——它“浓缩”了人类对选股的直觉，然后硬塞进模型里。
再高阶点，还可以搞交叉项（特征乘积）：
df["vol_price"] = df["vol"] * df["收盘价"]
意思是：“最近股价涨得猛的+波动大的，我特别关注”
实战策略里，这种变量一旦好用，会极度好用。
说点真心话
如果你现在还觉得模型是重点，那你可能还没入门。
但如果你开始觉得“我是不是该多造点有意思的变量”，恭喜你，已经开始靠近真正的量化核心了。
别问怎么找到“好特征”——
多看，多做，多感受，多造。
我是花姐，一个比你早走几年弯路的量化码农。如果你觉得这篇文章有点料，记得点个“关注”或者“在看”给我打个信号。我就知道该继续写下去了。
