特征与标签：机器学习在投资里到底学什么

你大概听过不少「我们用 AI 选股」的说法。听的时候有个问题很少有人替你问出来：这个 AI，学的是哪道题？

这不是抬杠。同样一堆数据、同样一个模型，你把要它猜的东西换一下——从「明天涨还是跌」换成「明天涨多少」，再换成「这三百只票里哪几只最靠前」——难度、评价方式、能不能赚钱，全都不一样。而外面绝大多数「AI 选股」的说法，恰恰就停在「用了 AI」这一层，从不说清楚它在猜什么。

那道题长什么样，是由两样东西定的：特征和标签。这两个词是整条 AI 投研链条的地基，也是最容易被跳过的一环。

先说人话：教小孩认水果

想象你要教一个小孩认苹果。你不会给他讲定义，你会拿一堆水果摆桌上，一个个指着说：这个是苹果，这个不是。指了几百遍以后，他自己就会了。

在这个过程里有两样东西：

• 你让他看的那些线索——颜色、大小、形状、有没有梗。这叫特征（feature），是输入。
• 你每次给出的那个答案——「是苹果」还是「不是苹果」。这叫标签（label），是要预测的答案。

给一堆「线索 + 标准答案」的成对例子，让机器自己找出线索和答案之间的关系，这种学法叫监督学习（有人在旁边给答案，所以叫「监督」）。今天投资里绝大部分号称 AI 的东西，本质就是这个。

关键来了。同样是这堆水果，你换一个标签，就是完全不同的一件事。

你可以让他学「是不是苹果」（是非题）。也可以让他学「这个苹果几克重」（填空题）。还可以让他学「把这十个苹果按甜度从高到低排」（排序题）。摆在桌上的水果一模一样，线索一模一样，但这三件事的难度天差地别，学出来的本事也完全不通用——一个能把苹果按甜度排好队的小孩，未必答得上来某个具体的苹果多少克。

标签定义了题目。题目一变，整件事的性质就变了。 这是本篇最想让你记住的一句话。

投资层：三种标签，三种完全不同的活

回到投资。桌上的「水果」是某一天的某只股票，「线索」是那天为止能算出来的一切——收盘价、成交量、各种技术指标、财务比率。那「标准答案」写什么？

这里有三条常见的路，它们看上去只是措辞不同，实际上是三种活。

第一种：预测方向。 标签写成「往后一段时间涨了没有」，答案只有涨和跌两个值。这在机器学习里叫分类（把样本分到几个筐里）。它的好处是直观，你一眼看得懂；坏处非常隐蔽——它把「涨 0.1%」和「涨 8%」当成了同一个答案。模型学完之后可能方向准确率不低，但你把它真拿去交易，赚的那几次全是涨 0.1%，亏的那几次是跌 5%，账户照样往下走。方向准确率和赚钱之间没有必然关系，这是新手最常撞的一堵墙。

第二种：预测收益率。 标签写成「往后一段时间的涨跌幅是多少」，答案是一个连续的数。这叫回归（猜一个具体数值）。它保留了幅度信息，比方向题诚实。但它也更难：市场收益里绝大部分是噪音，你让模型去精确逼近一个几乎随机的数，它很容易把噪音当成规律硬记下来——这正是过拟合（在历史上背答案，到新数据上就现原形）最爱发生的地方。

第三种：预测排序。 标签仍然是收益率，但你根本不在乎模型猜的绝对值准不准，只在乎它把今天这一批股票的先后顺序排对了没有。这是眼下机构做多因子选股时最主流的口径，因为它跟你的实际动作最贴合——你要做的事，从来不是「预测明天大盘涨几个点」，而是「在今天能买的这一堆里，挑出相对靠前的那一小撮」。整体涨跌被剔掉了，剩下的是相对强弱。

三种标签，对应三种截然不同的评价方式。方向题看准确率，收益率题看误差大小，排序题看的是 IC 这类相关性指标（IC 与 IR 那篇专门讲这个）。评价方式跟着标签走，用错了指标，你连自己做得好不好都判断不了。

系统层：真实系统里的标签长什么样

概念说完，看一眼它在代码里的样子——不是要你去配置什么，是让你确认前面那些话不是我编的。

qlib 里有一套叫 Alpha158 的现成数据方案，它的标签就一行：

def get_label_config(self):
    return ["Ref($close, -2)/Ref($close, -1) - 1"], ["LABEL0"]

Ref($close, -2) 的意思是「往后数第 2 天的收盘价」。整个式子就是：第 T+2 天的收盘价，除以第 T+1 天的收盘价，减一。翻译成人话：从明天到后天的那一段涨跌幅。

这里有个细节值得你盯住看三秒。为什么不是最自然的那个写法——「明天收盘除以今天收盘」？

qlib 的文档把理由写得很明白：在 A 股，你拿到 T 日收盘价的那一刻，最早只能在 T+1 买入，然后 T+2 才能卖出。所以模型该学的，是那一段你真的吃得到的收益，而不是一段你根本没机会参与的收益。

这一格之差就是整件事的分水岭。写成「明天收盘除以今天收盘」，模型学的是一段你在决策那一刻已经买不进去的行情——这就是前视偏差钻进标签里的经典姿势。它不报错、不崩溃，只会让你的历史成绩变好看。标签是前视偏差最喜欢的藏身处，因为标签天生就是往未来看的，往前多看一格还是少看一格，写代码时几乎察觉不到。

freqtrade 的机器学习模块用了另一种风格，同样值得看。它靠列名前缀把两类东西硬分开：特征列必须以 % 开头，标签列必须以 & 开头。

dataframe["%-rsi-period"] = ta.RSI(dataframe, timeperiod=period)   # 特征
dataframe["&-s_close"] = ...                                      # 标签

这种设计的用意，是让「哪些列是输入、哪些列是要预测的答案」在命名上就不可能搞混。它的示例标签算的是往后若干根 K 线的平均收盘价相对当前的偏离——注意是取一段的平均，而不是取某一个时点的价格。这是个很实用的处理：单点价格噪音大，一段的均值稳一些，模型不容易被单根异常 K 线带偏。往后看多少根由一个参数控制（示例配置里给的是当前默认值，可配置）。

它的注释里还顺手给了做分类的写法——把标签换成「up」「下」这样的字符串，模型就从猜数值变成了猜方向。一行代码之差，整道题的性质就换了。 这跟前面说的三种活，是同一件事的代码版。

标签不是写完就完了：它还要被再加工一遍

这一层很多人不知道，但它对结果的影响非常大。

qlib 默认对标签做两件事：

_DEFAULT_LEARN_PROCESSORS = [
    {"class": "DropnaLabel"},
    {"class": "CSZScoreNorm", "kwargs": {"fields_group": "label"}},
]

第一件是丢掉标签为空的样本。哪些样本标签会空？最典型的就是每段数据的末尾——最后几天没有「往后两天」了，答案还没发生。这些样本不能拿去训练。

第二件叫截面归一化。「截面」是指「同一天、所有股票」这个横切面。归一化就是在每一天内部，把所有股票的标签统一减去当天的平均、再除以当天的离散程度，变成一个相对位置。

这一步做了什么？它把大盘的整体涨跌从标签里剔掉了。 处理之后，「大盘涨 5%、这只涨 5%」的标签接近 0，「大盘跌 3%、这只跌 1%」的标签反而是正的。模型从此不再学「明天大盘涨不涨」，而是学「在同一天的所有票里，谁相对更强」——正好就是前面说的第三种活。qlib 里还有个按名次归一化的变体，做得更彻底，直接把当天所有股票的标签换成排名。

所以你看，「模型在学什么」这个问题，光看标签公式还不够，得连它的后处理一起看。 同一行 Ref($close, -2)/Ref($close, -1) - 1，加不加这一道截面处理，训出来的是两个物种。

一个容易被忽略的坑：训练用的答案和上线用的答案不一样

qlib 的数据层还有个设计，第一次看会觉得奇怪：同一份数据，它存了三个版本——原始的、给训练用的、给上线预测用的。

- DK_R / self._data: the raw data loaded from the loader
- DK_I / self._infer: the data processed for inference
- DK_L / self._learn: the data processed for learning model.

为什么要分家？因为有些加工只在训练时合法。比如「丢掉标签为空的样本」——训练时理所应当，可你上线跑预测的时候，恰恰是那些还没有答案的最新日期才需要预测，全丢了就什么都不剩了。源码里给这个处理器写的注释很直白：样本是按标签丢的，所以它不能用在推理阶段。

这件事的教训是通用的：凡是需要用到标签才能做的处理，一律不能出现在上线路径上。 因为上线的那一刻，标签根本不存在——答案还在未来。训练和上线的处理流水线混成一条，是 AI 投研里另一类高频事故，而且同样不报错。

失效边界与常见误用

以为「特征越多越好」。 特征是模型能看的线索，多加一列的边际成本看起来是零，实际不是。线索越多，模型越容易在噪音里找到一个只在历史上成立的巧合。真正决定上限的是标签的信噪比，不是特征数量。特征怎么造是另一个话题，见因子那篇。

把标签往后拉得越远越好。 预测「一个月后涨跌」听起来比「两天后」高级，实际上样本会大幅重叠——今天和明天的一个月标签有 29 天是同一段行情，这让你手上「看起来有几万个样本」的数据集，独立信息量远没那么多。评估时若不处理这层重叠，会严重高估模型的可靠性，时序交叉验证那篇讲了怎么切才不出事。

忘了标签也要考虑交易成本。 你的标签算的是价格涨跌，可你实际能拿到的是扣掉手续费、印花税、滑点之后的东西。一个在标签口径下预测得很准的模型，落到真实账户上可能颗粒无收——尤其当它挑出来的机会平均幅度很小的时候。

把模型输出当成买卖指令。 模型吐出来的是对标签的预测值，它离「买多少、什么时候买」还隔着一整套东西。这一步怎么接，见模型吐出一列分数之后呢。

在没有标签的地方硬套监督学习。 有些问题压根没有客观答案可标（比如「这条新闻是利好还是利空」），你标出来的答案本身就掺着你的主观判断，模型学到的可能只是你的偏见。这时候先怀疑标签，别急着换模型。

小结

• 监督学习就是「给一堆线索 + 标准答案的例子，让机器自己找规律」。线索叫特征（输入），标准答案叫标签（要预测的东西）。
• 标签定义了题目：预测方向（是非题）、预测收益率（填空题）、预测排序（排队题），是三种难度和评价方式都不同的活。方向准确率高不等于赚钱，因为它把大涨和微涨算成了同一个答案。
• 真实系统里的标签会为「你实际什么时候能成交」做位移——qlib 用 T+1 到 T+2 的涨幅而不是今天到明天，就是这个原因。标签是前视偏差最爱藏的地方。
• 标签写完还要被再加工：丢掉答案为空的样本，以及按每天的横切面做归一化，把大盘整体涨跌剔掉，让模型专心学相对强弱。
• 训练用的数据处理和上线用的必须分家——凡是用到标签才能做的步骤，上线那一刻都做不了，因为答案还在未来。

一句话记住这篇：别问它用没用 AI，问它在猜什么、猜对了怎么算分。

本文所引源码与文档均来自上述快照版本，是阅读代码得出的机制说明，不是运行结果；具体行为请以你手上那个版本为准。回 量化与 AI 投研概念库 看其它概念各自在说什么；本站内容为投资教育，不构成任何投资建议，边界见 免责声明。