阶段8机器学习基础●●●●●

特征与标签：把选股问题翻译成机器学习的语言

我的掌握程度：

q-702精讲

先掌握这个答案

翻译规则：特征（X）=因子矩阵——每行=(某日,某股)，每列=一个因子值（阶段5的成果直接接入）；标签（y）=要预测的目标，主流选择：①未来N日收益（回归）；②未来收益的横截面分位数/涨跌方向（分类，更稳健）；③风险调整收益（超额/波动）。标签三陷阱：N太短噪声大、N太长样本重叠严重（相邻标签共享未来，有效样本数骤减）；不含超额的标签让模型学成「预测大盘」（择时任务混入选股任务）；用对数还是简单收益要与损失函数匹配。样本有效性：5000股×10年=1200万行的表面繁荣，实际独立信息量小得多（横截面相关+时间重叠）。

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

先赢过一个简单基线

固定数据与验证，比较等权、线性模型或朴素预测，再评估复杂模型的边际收益。记录重训练频率、预测延迟、漂移和费用；更高拟合分数不等于更高净收益。

本阶段实战方法 · 把验证流程当作模型的一部分

训练选股模型或使用另类数据时，先保证训练过程没有接触预测时不可得的信息。

定义每个样本的特征可得时间和标签覆盖区间，再按预测场景设计时间切分。
归一化、缺失填充、特征选择和调参只在训练集拟合；重叠标签要按实际区间purge。
用朴素基线和多段滚动样本外比较，报告成本、稳定性、漂移与全部实验次数。

使用边界

排行榜或验证集反复用于挑模型后也会过拟合；留一份最终测试集。
随机切分不是所有问题都禁止，但金融未来预测必须尊重时点和标签重叠，说明验证目标。

不懂的术语：因子（Factor）特征（Feature）标签（Label / Target）

背景 · 从一个困惑说起

ML模型不认识「股票」也不认识「涨跌」——它只认识一张数值表：每行一个样本，一些列是输入（特征X），一列是输出（标签y）。让模型帮你选股的第一步，是把整个选股问题严谨地翻译成这张表。翻译的每个决定（标签怎么定、样本怎么取）都直接决定模型学到什么。

由此产生的问题

特征和标签的金融化定义是什么？标签设计的常见选择与陷阱？样本的「有效性」怎么评估？

核心概念

为什么需要它

①标签即任务定义：标签定为「未来5日收益」模型就学短线，「未来60日」学波段——研究意图必须先于代码；②重叠标签是金融ML特有的大坑：相邻N日标签共享未来信息，随机交叉验证的「高分」全是泄漏（时序CV专门治它，后续题目）；③特征质量大于模型复杂度（Kaggle十年实证）：花在特征工程上的一小时胜过调参一天。

实际应用场景

标准样本表结构：index=(date,code)，columns=[factor1..factorN, label]；构造代码：未来收益=prices.shift(-N)/prices-1——注意负号shift是「向未来取」，训练时必须与验证时间严格切分。

与之前知识的联系

阶段5的因子库成为特征列；阶段3的回归/分类概念在此落地；q-502的前视防御延伸到标签端（标签天然「在未来」）。下一题进入模型选择与验证设计。

⚠ 常见误解

标签用未来N日收益就够了：N的选择是「信号半衰期」与「样本有效性」的权衡，需要实验而非默认
样本越多越好：重叠+相关让有效样本远小于表面数；盲目堆数据不如改善特征与验证
标签可以直接用当日收益：那是「用今天预测今天」——最粗暴的前视（q-502的ML版）

🤖 AI导师

导师会先检查你的前置知识（因子、监督学习概念、超额收益），再用案例、公式和代码帮助理解。此功能需要先启用服务。