描述金融数据特征工程的关键步骤（如特征提取、特征选择、特征变换），并举例说明如何从原始交易数据中构建有效特征（如成交量、价格波动率、技术指标等），以及如何处理特征中的异常值和时序依赖？

1) 【一句话结论】金融数据特征工程是连接原始交易数据与模型输入的关键环节，核心是通过特征提取、选择、变换等步骤，将高维、非结构化数据转化为模型可用的、具有预测能力的特征，需处理异常值和时序依赖以提升模型鲁棒性。

2) 【原理/概念讲解】金融数据特征工程是数据预处理的核心环节，旨在将原始交易数据（如open、high、low、close、volume）转化为模型可用的特征。关键步骤包括：

• 特征提取：从原始数据中生成新特征，如成交量（volume）、价格波动率（过去N天收盘价标准差）、技术指标（如MACD）。类比：将食材（原始数据）切配成可烹饪的食材（特征），如切大葱、姜，计算调料（波动率）。
• 特征选择：筛选重要特征，减少冗余，如用相关性分析或L1正则（Lasso）筛选与目标变量（如收益率）强相关的特征。类比：从切好的食材中挑出关键食材（如大葱、姜），去掉多余的（如芹菜，若不影响味道）。
• 特征变换：对特征进行转换，如标准化（z-score，使特征均值为0，方差1）、归一化（min-max，缩放到[0,1]）。类比：将食材的量纲统一（如把大葱从克换算成斤），方便烹饪（模型训练）。
  这些步骤共同作用，确保特征具有预测能力，同时提升模型效率和鲁棒性。

3) 【对比与适用场景】| 步骤 | 定义 | 特性 | 使用场景 | 注意点 | |------------|--------------------------|--------------------------|------------------------------|----------------------------| | 特征提取 | 从原始数据中生成新特征 | 生成新特征，可能增加维度 | 基础步骤，所有数据预处理前 | 需业务理解，避免过度工程 | | 特征选择 | 筛选重要特征，减少冗余 | 降维，保留关键信息 | 处理高维数据，提升模型效率 | 需结合业务逻辑，避免遗漏关键特征 | | 特征变换 | 对特征进行转换（如标准化）| 改变特征分布，统一量纲 | 需要模型对特征分布敏感时（如线性模型） | 标准化后特征无实际业务含义，需谨慎解释 |

4) 【示例】（伪代码）：假设原始交易数据为df，包含列：open, high, low, close, volume。

• 特征提取：

  # 成交量
  df['volume'] = df['volume']
  # 价格波动率（过去20天收盘价标准差）
  df['volatility'] = df['close'].rolling(window=20).std()
  # 技术指标：MACD（快线、慢线）
  df['macd_fast'] = df['close'].ewm(span=12).mean() - df['close'].ewm(span=26).mean()
  df['macd_slow'] = df['close'].ewm(span=26).mean()
  

• 异常值处理（成交量为例）：

  q1 = df['volume'].quantile(0.25)
  q3 = df['volume'].quantile(0.75)
  iqr = q3 - q1
  lower_bound = q1 - 1.5 * iqr
  upper_bound = q3 + 1.5 * iqr
  df['volume'] = df['volume'].apply(lambda x: x if lower_bound <= x <= upper_bound else df['volume'].median())
  

• 时序依赖处理（滚动窗口）：

  # 计算过去20天的平均成交量
  df['avg_volume_20'] = df['volume'].rolling(window=20).mean()
  

5) 【面试口播版答案】金融数据特征工程是连接原始交易数据与模型输入的关键环节。核心步骤包括特征提取、特征选择、特征变换。比如从原始交易数据（open、high、low、close、volume）中，提取成交量（volume），计算价格波动率（过去20天收盘价标准差），构建技术指标（如MACD）。特征选择方面，用相关性分析或L1正则筛选重要特征。处理异常值时，用IQR方法检测成交量异常，替换为中位数。时序依赖处理，采用滚动窗口（如过去20天）计算特征，确保特征不包含未来信息，比如用滞后变量（如前一天的收盘价）作为特征。这些步骤共同提升特征的有效性，为模型训练提供高质量输入。

6) 【追问清单】

• 问题1：如何处理时序数据中的特征依赖？
  回答要点：用滞后变量或滚动窗口，确保特征基于历史数据，避免未来信息泄露。
• 问题2：特征选择中，如何平衡模型性能和特征数量？
  回答要点：结合业务逻辑，用交叉验证筛选，避免过拟合，保留关键业务特征（如成交量）。
• 问题3：异常值处理中，为什么用IQR而不是均值？
  回答要点：IQR对异常值不敏感，更鲁棒，而均值易受极端值影响。
• 问题4：特征变换中，标准化和归一化的区别？
  回答要点：标准化（z-score）处理均值为0，方差1；归一化（min-max）缩放到[0,1]，标准化更常用于线性模型。
• 问题5：如何验证特征的有效性？
  回答要点：用特征重要性分析（如随机森林的Gini重要性），或通过特征与目标变量的相关性检验。

7) 【常见坑/雷区】

• 忽略时序依赖：直接用当前数据构建特征，导致未来信息泄露。
• 异常值处理不当：直接删除异常值，导致数据分布偏移，模型泛化能力下降。
• 特征选择过度：遗漏关键业务特征（如成交量），导致模型无法捕捉重要信号。
• 特征变换后未保留含义：标准化后特征无实际业务含义，影响业务解释。
• 未考虑特征共线性：特征间高度相关，导致模型不稳定（如系数波动大）。