入门基础体系新手友好
查看详情AI量化基础课程班
适合零基础或弱基础学员，覆盖 Python 入门、交易理念、期货市场基础、策略编写、回测测试、结果分析与 CTA 模拟/实盘对接。
4.9 (2120评价)2120人学习12小时6节
适合零基础或弱基础学员，覆盖 Python 入门、交易理念、期货市场基础、策略编写、回测测试、结果分析与 CTA 模拟/实盘对接。
¥4,999
特征工程OHLCV特征工程技术指标量化输入
从 OHLCV 到特征流水线：量化特征工程到底在做什么
解释第一场公开课里的 OHLCV 与技术指标特征工程主线，帮助学习者理解特征工程不是堆指标，而是搭研究输入流水线。
2026-03-307分钟
很多初学者做特征工程时，最容易走向一种“指标收集癖”：能想到的都加进去，觉得特征越多越好。但第一场公开课通过 OHLCV 特征和技术指标特征的顺序安排，其实在传递另一种更重要的思路。OHLCV 只是基础原料，真正重要的是你如何把这些原料转成能表达市场状态、价格行为和结构变化的研究输入。
也就是说，特征工程不是统计更多，而是表达更准。某些特征是在描述趋势，某些是在描述波动，某些是在描述成交活跃度，还有些是在描述相对位置与结构关系。把这些角色分清以后，特征工程才真正开始像一条流水线，而不是一锅拼盘。
一条稳的特征流水线，通常要经历四个层次
第一层是原始字段层，比如开高低收量等原始行情数据；第二层是基础派生层，比如收益率、振幅、成交量变化；第三层是结构表达层，比如滚动均值、波动率、动量、趋势偏离；第四层才是模型输入层，也就是经过标准化、去极值、筛选和组合后的特征矩阵。这四层不是形式上的整洁，而是为了让后续研究更容易排障、复用和迁移。
如果没有这种分层，特征工程很快就会变成一堆不可追踪的代码块。未来当模型失真、信号衰减或者需要最小重算时，你会发现自己根本不知道问题出在哪一层。
关键结论
- 特征工程的本质是设计输入表达，而不是无止境堆指标
- OHLCV 最终应进入一条分层流水线，而不是直接喂模型
- 分层后的特征工程更利于后续排障、复用和部署迁移
关联课程
如果你想把这篇文章里的方法系统化学习，可以从这些课程继续深入。
