feature-engineering

面向交易机器学习的特征工程

特征工程是构建机器学习交易模型中杠杆效应最高的单项工作。模型选择（XGBoost、神经网络还是逻辑回归）的重要性远不及输入特征的质量和多样性。使用优质特征的简单模型，始终胜过直接使用原始价格的复杂模型。

本技能介绍如何从市场数据中构建、验证和筛选特征，以用于分类（信号分类）和回归模型，目标是加密货币／Solana 代币交易。

为什么特征胜过模型

原始 OHLCV 数据具有非平稳性、噪声和高维度。直接在价格序列上训练的模型会过拟合。特征工程将原始数据转换为平稳且信息丰富的信号，捕捉市场行为的不同方面：

• 压缩：将数千根价格 K 线缩减为数十个描述性统计量
• 平稳性：将非平稳价格转换为平稳的收益率和比率
• 领域知识：将交易者直觉（支撑位／阻力位、成交量高潮）编码为可计算的量
• 市场状态感知：在趋势市场和区间震荡市场中表现不同的特征，可帮助模型适应市场变化

特征类别

1. 价格特征

仅从 OHLCV 价格列推导。这些特征从价格序列本身捕捉趋势、动量和波动率。

特征	公式	回溯窗口
log_return	ln(close_t / close_{t-1})	1 根 K 线
abs_return	abs(log_return)	1 根 K 线
return_volatility	std(log_return, N)	20 根 K 线
momentum_N	close_t / close_{t-N} - 1	5、10、20
acceleration	momentum_5 - momentum_5[5]	10 根 K 线
high_low_range	(high - low) / close	1 根 K 线
close_position	(close - low) / (high - low)	1 根 K 线
gap	open_t / close_{t-1} - 1	1 根 K 线
rolling_skew	skew(log_return, N)	20 根 K 线
rolling_kurtosis	kurtosis(log_return, N)	20 根 K 线

2. 成交量特征

成交量可以确认或否定价格走势。价格与成交量之间的背离是短线交易中最可靠的信号之一。

特征	公式	回溯窗口
volume_ratio	volume_t / mean(volume, N)	20 根 K 线
volume_ma_ratio	sma(volume, 5) / sma(volume, 20)	20 根 K 线
obv_slope	slope(OBV, N)	10 根 K 线
vwap_deviation	(close - VWAP) / VWAP	日内
volume_acceleration	volume_ratio_t - volume_ratio_{t-1}	21 根 K 线
buy_volume_ratio	buy_volume / total_volume	1 根 K 线
dollar_volume	close * volume	1 根 K 线
volume_cv	std(volume, N) / mean(volume, N)	20 根 K 线

3. 技术特征

通过 pandas-ta 计算的标准技术指标。完整的参数文档请参阅 pandas-ta 技能。

特征	来源	回溯窗口
rsi	RSI(14)	14 根 K 线
macd_histogram	MACD(12,26,9) 柱状图	33 根 K 线
bb_position	(close - BB_lower) / (BB_upper - BB_lower)	20 根 K 线
bb_width	(BB_upper - BB_lower) / BB_mid	20 根 K 线
atr_ratio	ATR(14) / close	14 根 K 线
adx	ADX(14)	14 根 K 线
stoch_k	随机指标 %K(14,3)	14 根 K 线
cci	CCI(20)	20 根 K 线
mfi	MFI(14)	14 根 K 线
supertrend_direction	Supertrend 方向（+1/-1）	10 根 K 线

4. 微观结构特征

从交易级别的数据（单笔兑换／交易）中推导。需要链上数据或 DEX API 数据。

特征	说明
trade_count_ratio	本根 K 线的交易笔数 / 每根 K 线的平均交易笔数
avg_trade_size	平均交易规模（美元）
large_trade_pct	交易额 > $10k 的交易占成交量的百分比
unique_traders	不同钱包地址的数量
buy_count_ratio	买入交易笔数 / 总交易笔数
trade_size_entropy	交易规模分布的香农熵

5. 链上特征

根据区块链状态变化得出。需要 Helius 或 Solana RPC 数据。

特征	描述
holder_count_change	N 个周期内独立持有者数量的变化
whale_net_flow	前 10 大持有者转移的代币净额
token_velocity	转账量 / 流通供应量
liquidity_change	DEX 流动性池 TVL 的变化

6. 跨资产特征

捕捉目标代币与更广泛市场之间的关系。

特征	描述
sol_correlation	与 SOL 价格的滚动相关性
btc_beta	对 BTC 收益率的滚动 Beta
sector_momentum	同一板块代币的平均收益率

7. 时间特征

对日历时间进行周期性编码。使用正弦/余弦编码来保留周期连续性（第 23 小时接近第 0 小时）。

import numpy as np

hour_sin = np.sin(2 * np.pi * hour / 24)
hour_cos = np.cos(2 * np.pi * hour / 24)
day_of_week = np.sin(2 * np.pi * day / 7)

平稳性

非平稳特征会导致模型在新数据上失效。 如果特征的统计属性（均值、方差）不会随时间变化，则该特征是平稳的。

平稳性检验

使用增广迪基-富勒（ADF）检验：

from scipy.stats import adfuller

result = adfuller(feature_series.dropna())
p_value = result[1]
is_stationary = p_value < 0.05

使特征平稳

非平稳特征	平稳变换
价格	对数收益率
成交量	成交量比率（成交量 / 平均成交量）
OBV	OBV 斜率（回归系数）
持有者数量	持有者数量变化
RSI	已是平稳特征（范围为 0–100）
美元成交额	美元成交额 / 滚动均值

规则：如果某个特征随时间持续上升或下降，则它是非平稳的。将其转换为比率、差值或变化率。

归一化

计算特征后，对其进行归一化，使所有特征的尺度具有可比性。这对于基于距离的模型（KNN、SVM）至关重要，对树模型也有帮助。

方法	公式	适用场景
Z 分数	(x - mean) / std	类似高斯分布的数据
最小-最大值	(x - min) / (max - min)	有界特征（RSI、BB 位置）
排名	rank(x) / len(x)	重尾分布

关键：使用滚动统计量进行归一化。切勿使用全样本均值/标准差，否则会引入前视偏差。

# CORRECT: rolling z-score
z = (feature - feature.rolling(60).mean()) / feature.rolling(60).std()

# WRONG: full-sample z-score (lookahead bias!)
z = (feature - feature.mean()) / feature.std()

无前视偏差保证

交易机器学习中最危险的错误是前视偏差——使用未来信息计算特征或目标。请严格遵守以下规则：

1. 仅使用滚动计算：切勿对完整序列使用 .mean() 或 .std()。始终使用 .rolling(N).mean()。
2. 将目标向前移位，而不是将特征向后移位：目标应为 close.shift(-N) / close - 1（未来收益率），而不是 close / close.shift(N) - 1（作为目标使用的过去收益率）。
3. 不使用未来索引对齐：合并特征和目标 DataFrame 时，请确认特征行 t 与目标行 t 配对（其中目标已包含向前移位）。
4. 按时间划分训练集和测试集：切勿随机划分。始终使用 train = data[:split_idx]、test = data[split_idx:]。

特征选择

计算多个特征后，选出预测力最强且冗余最少的特征：

步骤 1：移除低方差特征

from sklearn.feature_selection import VarianceThreshold
selector = VarianceThreshold(threshold=0.01)
X_filtered = selector.fit_transform(X)

步骤 2：相关性筛选

移除与其他特征的相关性 > 0.9 的特征（保留与目标相关性更高的那个）：

corr_matrix = X.corr().abs()
upper = corr_matrix.where(np.triu(np.ones(corr_matrix.shape), k=1).astype(bool))
to_drop = [col for col in upper.columns if any(upper[col] > 0.9)]

步骤 3：特征重要性

训练随机森林并按重要性排序：

from sklearn.ensemble import RandomForestClassifier
rf = RandomForestClassifier(n_estimators=100, random_state=42)
rf.fit(X_train, y_train)
importances = pd.Series(rf.feature_importances_, index=X.columns).sort_values(ascending=False)

步骤 4：互信息

相关性分析的非线性替代方法：

from sklearn.feature_selection import mutual_info_classif
mi = mutual_info_classif(X_train, y_train, random_state=42)
mi_scores = pd.Series(mi, index=X.columns).sort_values(ascending=False)

标签创建

标签（目标）定义模型要学习预测的内容。

二分类

forward_return = close.shift(-N) / close - 1
label = (forward_return > threshold).astype(int)  # 1 = up, 0 = not up

典型阈值：1h K 线为 1%，4h K 线为 3%，日 K 线为 5%。

多分类

label = pd.cut(forward_return,
               bins=[-np.inf, -threshold, threshold, np.inf],
               labels=[0, 1, 2])  # 0=down, 1=flat, 2=up

回归

target = forward_return  # Predict exact return magnitude

建议初始模型使用二分类——它更简单，也更能抵抗噪声。

与其他技能集成

• pandas-ta：计算技术指标，并将其作为特征
• birdeye-api：获取 OHLCV 和交易数据，用于计算特征
• helius-api：获取链上数据，用于计算持有人／鲸鱼特征
• signal-classification：将工程化特征用作模型输入
• regime-detection：将市场状态标签用作特征，或用于依赖市场状态的模型
• ohlcv-processing：在计算特征前清理并重新采样原始数据

文件

参考资料

• references/feature_catalog.md — 约 40 个特征的完整目录，包含公式、 回溯窗口、平稳性状态和解读说明
• references/pitfalls.md — 交易特征工程中的常见错误： 前视偏差、过拟合、幸存者偏差、数据窥探、非平稳性

脚本

• scripts/build_features.py — 从 OHLCV 数据计算 25 个以上特征，并进行 平稳性测试和质量报告。支持使用合成数据的演示模式，或通过 Birdeye API 获取实时数据。
• scripts/feature_importance.py — 使用基于树的特征重要性和置换重要性，按预测能力对特征进行 排名。通过相关性分析识别冗余特征。