80.2 特征工程 - 机器学习择时策略

🎯 学习目标

掌握特征工程方法
学会特征选择技巧
理解特征变换技术
能够构建特征库

机器学习特征工程

本节介绍特征工程的方法和技术，包括特征构造、选择和变换。

🔧 特征类型

价量特征

收益率
波动率
成交量

技术指标

MA/EMA
RSI/MACD
布林带

宏观特征

利率
汇率
指数

⚙️ 特征处理

from sklearn.preprocessing import StandardScaler
from sklearn.feature_selection import SelectKBest

class FeatureEngine:
    """
    特征工程引擎
    """

    def __init__(self):
        self.scaler = StandardScaler()
        self.selector = None

    def create_features(self, data):
        """
        创建特征
        """
        features = pd.DataFrame(index=data.index)

        # 收益率特征
        features['return_1d'] = data['close'].pct_change(1)
        features['return_5d'] = data['close'].pct_change(5)
        features['return_20d'] = data['close'].pct_change(20)

        # 波动率特征
        features['volatility_5d'] = features['return_1d'].rolling(5).std()
        features['volatility_20d'] = features['return_1d'].rolling(20).std()

        # 技术指标
        features['ma_5'] = data['close'].rolling(5).mean()
        features['ma_20'] = data['close'].rolling(20).mean()
        features['ma_diff'] = (features['ma_5'] - features['ma_20']) / features['ma_20']

        # 成交量特征
        features['volume_ratio'] = data['volume'] / data['volume'].rolling(20).mean()

        return features

    def normalize_features(self, features):
        """
        标准化特征
        """
        return pd.DataFrame(
            self.scaler.fit_transform(features),
            index=features.index,
            columns=features.columns
        )

    def select_features(self, X, y, k=20):
        """
        特征选择
        """
        selector = SelectKBest(k=k)
        X_selected = selector.fit_transform(X, y)
        self.selector = selector
        return X_selected

✨

特征工程关键

1）领域知识；2）特征多样性；3）正则化；4）持续优化。

📝 本节小结

✅

• 掌握了特征工程方法
• 学会了特征选择技巧
• 理解了特征变换技术
• 能够构建特征库