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

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

示例 2: 命令行使用

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