| name | 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。 |
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
result = run_skill({
"param1": "value1",
"param2": "value2"
})
示例 2: 命令行使用
python scripts/run_skill.py --input data.json
