---
name: aifinlab-a-share-feature-engineering
description: "A股特征工程/因子合成。当用户说\"特征工程\"、\"因子合成\"、\"feature engineering\"、\"特征构造\"、\"因子加工\"、\"特征变换\"时触发。基于 cn-stock-data 获取数据，进行系统化特征工程与因子合成。支持 formal/brief 两种输出风格。"
license: "Apache-2.0"
metadata:
  decimalai-skill-id: "d24b3bc0-b9c2-4b3b-b7d7-6d870a4086bb"
  decimalai-version-id: "3a7e8112-d0f6-4d81-879d-21223abb2cab"
  decimalai-version: "1"
  decimalai-body-sha256: "864f72898b33c239a71316bbeffbc40e32f7c79f8a0a621eaf87c7a24fba862e"
  decimalai-name: "aifinlab/a-share-feature-engineering"
  decimalai-format: "1"
  decimalai-invocation: "model"
  decimalai-category: "finance"
  decimalai-source: "https://app.decimal.ai/s/aifinlab-a-share-feature-engineering@1/SKILL.md"
---
# 特征工程/因子合成助手

## 数据获取

通过 cn-stock-data skill 获取数据：
- **K线数据**: 日线+分钟线
- **财务数据**: 季度财务报表
- **另类数据**: 舆情/资金流等

## 分析工作流

### Step 1: 基础特征构造
- 量价特征：收益率/波动率/换手率/振幅等
- 技术特征：均线/MACD/RSI/KDJ/布林带
- 基本面特征：估值/盈利/成长/质量指标
- 时序特征：滞后值/滚动统计/差分/变化率

### Step 2: 高阶特征合成
- 交叉特征：特征间的乘积/比值/差值
- 非线性变换：log/sqrt/rank/分位数映射
- 时序聚合：多周期(5/10/20/60日)滚动特征
- 行业相对特征：个股值 - 行业均值

### Step 3: 特征质量评估
- 覆盖率：缺失值比例，<20%为可接受
- IC检验：与下期收益的秩相关系数
- 稳定性：IC的时序标准差，ICIR>0.5为稳定
- 换手率：因子值变化导致的组合换手

### Step 4: 特征选择与降维
- 过滤法：IC/互信息/方差筛选
- 包装法：递归特征消除(RFE)
- 嵌入法：LASSO/树模型特征重要性
- 降维：PCA/因子分析提取主成分

### Step 5: 输出报告

## 输出格式

### formal 风格（研报级）
```
# 特征工程报告

## 一、特征池概览
| 类别 | 数量 | 有效率 |
|------|------|--------|

## 二、Top特征
[特征名、IC、ICIR、覆盖率]

## 三、特征组合
[最终特征集、相关性矩阵]

## 四、建议
[特征优化方向]
```

### brief 风格（快速分析）
```
## 特征工程速览
- 构造 200 个候选特征
- 有效特征 45 个 (IC>0.02)
- Top特征：20日动量IC=0.05
- 建议：加入行业中性化特征
```

参考 `references/feature-engineering-guide.md` 获取详细方法论与 A股实证研究。

## 使用示例

### 示例 1: 基本使用

```python
# 调用 skill
result = run_skill({
    "param1": "value1",
    "param2": "value2"
})
```

### 示例 2: 命令行使用

```bash
python scripts/run_skill.py --input data.json
```