| name | advanced-feature-engineering |
| description | 生成適用於金融機器學習的高質量特徵。包含分數階差分 (Fractional Differentiation) 與無前視偏差的滾動標準化。 |
| trigger | when_needed |
| language | zh-TW |
| adapted_from | skills/高級特徵工程/quant-feature-eng/SKILL.md |
| version | 1.0.0-antigravity |
| original_license | Unknown |
ADVANCED-FEATURE-ENGINEERING 處理指南
技能版本: v1.0 (Antigravity 適配版)
原始來源: local/quant-feature-eng
語言: 繁體中文
概述
生成適用於金融機器學習的高質量特徵。此技能專注於解決金融數據的非平穩性問題，同時保留數據的長期記憶，並確保標準化過程不引入未來數據。
使用情境
此技能適用於以下情況：
- 準備機器學習模型的輸入特徵時。
- 需要在保留價格趨勢記憶的同時消除單位根（Unit Root）時。
- 進行特徵標準化，需嚴格避免前視偏差（Look-ahead Bias）時。
數學原理
1. 分數階差分 (Fractional Differentiation)
標準的一階差分（Returns）雖然能使數據平穩，但會抹去價格的歷史記憶。分數階差分保留了最多的相關性，同時達成平穩性。
權重計算公式（二項式展開）：
$$w_k = -w_{k-1} \frac{d - k + 1}{k}$$
目標是尋找最小的 $d$ 值（$0 < d < 1$），使得序列通過 ADF 檢驗 ($p < 0.05$)。
2. 滾動窗口標準化 (Rolling Window Normalization)
嚴禁使用全局 Z-Score ($x - \mu / \sigma$)，因為全局統計量包含未來信息。
正確做法是使用滾動窗口統計量，並進行 Shift 操作以確保 $t$ 時刻僅使用 $t-1$ 及之前的數據：
$$Z_t = \frac{x_t - \mu_{t-1}}{\sigma_{t-1}}$$
處理策略指南
-
分數階差分優化：
- 迭代不同的 $d$ 值 (0.0 到 1.0)。
- 對每個 $d$，計算差分序列。
- 進行 ADF 檢驗，記錄 p-value 與原始序列的相關性。
- 選擇通過 ADF 檢驗且相關性最高的 $d$。
-
標準化與極端值處理：
- 使用嚴格的滾動窗口計算均值與標準差。
- 應用 Z-Score 轉換後，使用 Tanh 或 Clip 處理極端值，防止神經網絡梯度爆炸。
參考實作範本：implementation_template.py
請參閱 examples/ 目錄下的範例代碼以獲取完整實現細節。
驗證產出要求
- d 值優化曲線：展示不同 $d$ 值下的 ADF p-value 和與原始序列的相關性（Correlation）。目標是找到 p-value < 0.05 且相關性最大的點。
- 特徵分佈圖：比較原始數據、標準差分數據與分數階差分數據的分佈特性。
專案整合
- 遵循
skills/_base/coding_style.md 編碼規範
- 符合 Constitution v3.1 語言規範 (繁體中文)
