特征工程是什么？AI 交易不是把 K 线丢进模型就完事

什么是特征？

在机器学习里，特征就是模型用来做判断的输入。

交易里的特征可以是：

• 最近 20 天收益率
• 成交量变化
• 波动率
• 财报后跳空幅度
• 新闻情绪分数
• 链上活跃地址数

模型不是“看懂市场”，它只是从这些输入里找统计关系。

为什么特征比模型更重要？

很多新手一上来问：用 XGBoost、LSTM 还是 Transformer？

但在交易里，更常见的问题是：你的特征本身就有问题。

如果特征用了未来数据、幸存者样本或错误时间戳，再高级的模型也只是在学错误答案。

三个常见特征坑

1. 未来函数
例如用当天收盘后才知道的数据，去预测当天收盘前的交易。

2. 时间错位
财报发布时间是盘后，但你把它当成盘中已知。

3. 特征太多
试了 500 个指标，总能碰巧找到几个在历史上“有效”的。

一个好特征要过 4 个问题

• 当时真的能拿到吗？
• 更新时间是否足够快？
• 是否有经济含义？
• 换一个时间段是否还大致有效？

没有通过这些问题，回测越漂亮越危险。

答题

Q1. 特征是模型的什么？
A. 输入　B. 手续费

Q2. 特征用了未来才知道的数据，属于？
A. 未来函数　B. 正常优化

Q3. 好特征至少应该？
A. 当时可得，有经济含义　B. 只要回测好看

参考答案

Q1: A　Q2: A　Q3: A

延伸阅读：IBM — Machine Learning　·　Investopedia — Look-Ahead Bias

本内容仅用于教育目的，不构成投资建议。历史特征表现不代表未来有效。