股票高频特征构建与分析03
今天我们以一个基于股票分钟级数据构建的特征为例，以未来5分钟收益率为目标，通过构建多空组合，以及对特征进行分层计算收益率，来考察该特征的预测能力。
特征数据
本文还是以上证50的50只成分股数据为例进行，首先将逐笔快照数据合成成分钟数据，用过去的5分钟量价数据构建特征。构建特征的过程需要特别注意，要避免用到未来的数据，这一点是很多新手不经意间常犯的错误，所以要仔细检查核对。
将50只股票的特征（feature）和预测目标（label）转成相同规格的Dataframe，行列都一一对应。下面是标准化以后的特征和目标数据样本：
数据的时间轴是1分钟间隔，但我们的目标是未来5分钟收益率，我们把每1分钟当成一个独立事件，全天240分钟构成一个样本集。
相关性分析
在每1分钟，计算50只股票的特征值与预测目标之间的相关系数，就得到240个相关系数样本，绘制直方图如下：
很直观的看到相关系数的分布整体是在负值区间，平均值是在-0.2左右，说明这个特征和未来收益率呈现负相关关系。
特征多空对冲分析
用特征值排序后将成分股分成2部分，做多特征值小的一半，做空大的一半，以对应的未来5分钟收益率的均值分别作为多、空收益率，多+空为LS收益率。这里要注意以下几点：
- 这里将每1分钟作为独立事件，以未来5分钟收益率为持有收益率计算，主要为了考察特征的预测能力，并不是形成的交易策略，这里要做个区分。
- 我们将空头收益率加了负号，相当于做空这部分股票，当然这在实际上做不到，这里也是为了考察特征。
- 每1分钟作为独立样本，所以没有考虑交易手续费。
1# 特征分析——多空对冲
2def analyse_feature_LS(feature_df, label_df):
3 mid = int(feature_df.shape[1] / 2)
4 s_rtn_list = []
5 for k in range(feature_df.shape[0]):
6 this_rtn = np.array(feature_df.iloc[k, :])
7 rtn_fut = np.array(label_df.iloc[k, :])
8 corr = np.corrcoef(this_rtn, rtn_fut)
9 idx = np.argsort(this_rtn)
10 idx_long = idx[:mid]
11 idx_short = idx[-mid:]
12 s_rtn_long = rtn_fut[idx_long].mean()
13 s_rtn_short = - rtn_fut[idx_short].mean()
14 s_rtn = s_rtn_long + s_rtn_short
15 s_rtn_list.append([str(feature_df.index[k]), s_rtn, s_rtn_long, s_rtn_short, rtn_fut.mean(), corr[0, 1]])
16 s_rtn_df = pd.DataFrame(s_rtn_list, columns=['time', 'rtn_ls', 'rtn_long', 'rtn_short', 'rtn_bench', 'corr'])
17 s_rtn_df.index = s_rtn_df['time']
18 return s_rtn_df
最终得到的多空对冲收益率绘图如下
蓝色曲线是多头+空头的收益率，可以看到是向上稳定增长的，说明这个特征的多空区分效应比较显著。绿线是空头收益率，这一天的多空收益大部分来源于空头，多头（橙色）收益略战胜基准（红色，这里基准是50只成分股的等权平均收益率）。
特征分层分析
接下来对特征值进行分层（10层），计算每层的预测收益率均值，观察这个特征的分层效果。实现代码如下：
1# 特征分析——分层
2def analyse_feature_layer(feature_df, label_df):
3 layer_rtn = pd.DataFrame(0., index=feature_df.index, columns=list(range(10)))
4 for k in range(feature_df.shape[0]):
5 # 分层
6 factor_df_layers = pd.cut(feature_df.iloc[k,:], 10, labels=False, duplicates='drop')
7 factor_df_layers.dropna(inplace=True)
8 if factor_df_layers is None or len(factor_df_layers) == 0:
9 continue
10 # 合并分层结果和收益率
11 merged_df = pd.concat([factor_df_layers, label_df.iloc[k,:]], axis=1)
12 merged_df.columns = ['layer', 'return']
13 avg_returns_by_layer = merged_df.groupby('layer').mean()
14 layer_rtn.iloc[k,:] = avg_returns_by_layer.iloc[:,0]
15 return layer_rtn.fillna(0.)
从特征分层结果看，效果还是不错的，尤其是layer_0（特征值最小的一组）和layer_9（特征值最大的一组），与其他组形成了较大的区分度。我们就要多寻找对未来收益率能形成区分度的特征，为后面的工作打下好的基础。