# A Share Feature Engineering

> 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。

- Skill: `aifinlab/a-share-feature-engineering` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add aifinlab/a-share-feature-engineering`
- Raw SKILL.md: https://api.skillmd.com/api/skills/aifinlab/a-share-feature-engineering/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: aifinlab (https://skillmd.com/u/aifinlab)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/aifinlab/a-share-feature-engineering

---


# 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
```