因子、信号、特征：一个东西的三个名字
我的掌握程度：
先掌握这个答案
共同内核：对资产未来收益差异的候选预测量（每天每股一个数）。语境分工：①因子（学术/业界）：强调"定价来源"——它为什么解释收益（风险补偿或行为偏差）；②信号/Alpha（交易平台如BRAIN）：强调"可交易性"——信号→组合→PnL的完整链条；③特征（机器学习）：强调"模型输入"——列向量、供算法消费、不问含义。分岔：风险因子（Beta/行业/风格）用来解释与控制波动，人人暴露；Alpha因子用来预测超额，人无我有。同一变量可换身份：市值在风险模型里是风险因子，在小市值策略里是Alpha来源——身份由用途决定。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
本阶段实战方法 · 让一个因子经历完整的样本外检验
从一个投资直觉构造信号时，先验证预测关系，再验证能否交易。
- 写出经济假设、股票池、因子方向、可用时点、持有期和评价指标；用历史成分与退市样本。
- 在每个时点用可得数据计算因子，检验截面IC、分层收益、换手和行业市值暴露。
- 锁定参数做样本外验证，扣除成本并做不同市场阶段与参数敏感性分析。
使用边界
- IC没有通用合格线；股票池、频率、持有期与成本不同，数值不可直接横比。
- 多空分组收益不是个人可直接实现的收益，还要考虑融券、对冲与资金约束。
背景 · 从一个困惑说起
读研报见"因子"、看平台见"Alpha"、学机器学习见"特征"——三个圈子似乎在说三件事，其实围着同一个核心转。分清三个名字的语境，你能无缝阅读三个世界的文献。
由此产生的问题
三个术语的语境差异与共同内核是什么？"风险因子"与"Alpha因子"这对分岔又怎么理解？
核心概念
共同内核：对资产未来收益差异的候选预测量（每天每股一个数）。语境分工：①因子（学术/业界）：强调"定价来源"——它为什么解释收益（风险补偿或行为偏差）；②信号/Alpha（交易平台如BRAIN）：强调"可交易性"——信号→组合→PnL的完整链条；③特征（机器学习）：强调"模型输入"——列向量、供算法消费、不问含义。分岔：风险因子（Beta/行业/风格）用来解释与控制波动，人人暴露；Alpha因子用来预测超额，人无我有。同一变量可换身份：市值在风险模型里是风险因子，在小市值策略里是Alpha来源——身份由用途决定。
为什么需要它
①阅读翻译器：三个文献圈的术语壁垒一捅就破——你已有的知识在三个世界通用；②用途意识：拿到一个变量先问"我把它当什么"——当风险因子就去中性化它，当Alpha就去检验它——用错身份是研究混乱的常见根源（q-456的伏笔）；③职业对话：面试官来自哪个圈子就用哪套词汇——说对方的话是沟通效率问题。
实际应用场景
同一列"20日动量"：写在研报里是"动量因子"；提交BRAIN是"Alpha#xxx"；喂给LightGBM是"feature_mom20"——你的代码里用哪个名字都行，但README里说清语境。
与之前知识的联系
q-401定义了内核、q-402给了学术范式、本题补齐术语地图；q-482（Alpha因子vs风险因子）是分岔的专讲；阶段8的"特征工程"就是因子研究的ML方言。
⚠ 常见误解
- 三个是不同的东西：内核相同、语境不同——纠结术语不如纠结"它预测什么、为什么"
- Alpha因子更高级：没有风险因子的控制，Alpha暴露不可控——两个身份是分工不是高低
- ML特征不需要经济学含义：树模型能消费无含义特征，但无含义的特征易过拟合且难以归因——含义仍是研究者的护栏
🛠 本题实践任务
拿你数据里的任一列（市值/换手/PE），分别按三顶帽子各写一段用法代码（中性化/分组检验/特征命名入库）。标注每段的"身份声明"。
💡 提示（先自己想5分钟再看）
身份声明写在注释里：# 用途：风险控制/Alpha候选/模型特征。
✅ 验收标准
三段带身份声明的代码。术语地图从此打通三个文献圈。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（因子定义、Fama-French），再用案例、公式和代码帮助理解。此功能需要先启用服务。