特征工程：ML 模型的秘密武器

垃圾进来，垃圾出去。这是数据科学的黄金法则。你可以拥有世界上最先进的神经网络，但如果你向它提供原始的、嘈杂的价格数据，它就会失败。 特征工程是将原始数据转换为有意义的输入的艺术。

什么是功能？

在交易中，“价格”是原始数据。

• RSI（相对强度指数） 是源自价格的特征。
• 波动率 (ATR) 是一项功能。
• 一天中的时间是一项功能。

转型的艺术

有效的特征工程涉及创建突出预测模式的输入。

1. 标准化

价格差异很大（比特币价格为 100 美元 vs 100,000 美元）。我们对输入进行标准化（例如，使用对数返回或 Z 分数），以便模型看到相对变化，而不是绝对数字。

2. 滞后特征

当前价格取决于过去价格。我们创建数据的“滞后”版本（t-1、t-2、t-5）来为模型提供时间上下文。

3.交互功能

结合两个指标通常可以揭示不止一个指标。例如，“成交量 * 价格变化”为我们提供了资金流。

避免过度拟合

添加太多功能会导致“维度诅咒”。模型因噪声而变得混乱。我们使用 PCA（主成分分析）等技术来仅选择最有影响力的特征。

我们的方法

在 TradingMaster，我们的市场分析 依赖于一组精选的 200 多个专有功能，并在不同的市场条件下测试了稳健性。