第 5~6 章：金融标签与特征重要性——显微镜的正确装配

第 5 章：标签——“固定期限涨跌”依然是坏答案#

和 AFML 一样，本章先枪毙天真标签”未来 N 天涨跌”：波动率是时变的，同样 +1% 在平静期是信号、在暴动期是噪声；固定期限还完全忽略路径。AFML 给的解法是三重障碍法（止盈/止损/到期三道墙，详见书屋 AFML 精读第 3 页），本书收录之外，新增了一件更轻的工具：

趋势扫描（trend-scanning）——不预设持有期，让数据自己说这段行情算不算趋势：

1. 从每个时点出发，向前尝试多种窗口长度（如 5~20 天），各做一次线性回归；
2. 取斜率 t 值绝对值最大的那个窗口——t 值同时衡量了斜率大小和拟合紧密度；
3. 标签 = 该 t 值的符号（上升趋势 +1 / 下降趋势 −1），t 值本身还可以当样本权重。

妙处：标签的”期限”是逐样本自适应的——趋势走多久，标签就看多远。对动量/反转类研究，这比任何固定 N 都诚实。元标签（方向靠逻辑、ML 管仓位）本书也再次强调，精读不重复，见 AFML 精读第 3 页。

第 6 章：p 值的讣告#

作者花了一整章解释为什么 p 值在金融因子研究里几乎失效，四条罪状：

1. 样本内产物：p 值再小也只说明样本内拟合好，对样本外零承诺；
2. 依赖模型设定正确：p 值的前提是”模型形式没写错”（线性、无遗漏变量）——金融里这个前提基本不成立；
3. 共线性下失真：因子之间高度相关时，p 值会在替代变量之间乱跳；
4. 答非所问：p 值回答”若无效应，看到此数据的概率”，而研究者想知道的是”看到此数据后，效应为真的概率”——方向反了。

这不是抽象批判：学术界几百个”显著因子”大面积无法复现，p 值机制是主犯之一（《因子投资》多重检验章讲的是同一场危机）。

替代品：MDI 与 MDA#

用随机森林类模型做特征重要性，两把尺子配对使用：

• MDI（平均不纯度减少）：样本内尺——训练时每个特征让分裂”变纯”了多少。快，但偏爱高基数特征，且纯属样本内；
• MDA（平均精度下降）：样本外尺——把某特征的列打乱，看样本外预测掉多少。掉得多 = 真有信息；打乱后反而变好 = 该特征是噪声。

两者都不假设线性、不假设模型形式正确——这正是对 p 值四宗罪的逐条回应。

关键补丁：先聚类，再算重要性#

共线特征会让 MDI/MDA 也失真：两个几乎相同的特征互相分摊功劳，各自显得平庸（替代效应）。处方直接调用第 4 章的刀：先用信息论距离把特征聚类，再以”特征簇”为单位算重要性（整簇一起打乱）。簇内怎么分功劳不再重要——你要回答的本来就是”哪一类信息有用”。

对应到本平台#

平台的 IC 分析是线性尺子。当你的因子池膨胀到十几个，做一次聚类 MDA：特征 = 各因子值，标签 = 趋势扫描或未来收益符号。如果某个因子簇整体打乱后样本外精度纹丝不动，这一簇可以整体归档——这比逐个看 IC 更能发现”集体冗余”。

本页带走的三句话#

1. 趋势扫描让标签期限自适应：哪个窗口的趋势 t 值最大，就按哪个窗口打标签；
2. p 值四宗罪：样本内、赌模型设定正确、共线下失真、答非所问——金融因子研究该给它送终；
3. MDI 看样本内、MDA 看样本外，先给特征聚类再整簇评估——这就是”ML 当显微镜”的标准装配。