一、标签

1. 定义

标签是原始数据中直接观测到的底层属性，是分析的基础原材料。

2. 核心特点

未经加工的自然记录（如数据库中的原始字段）。
可能包含无关变量，需筛选后才能用于建模。

3. 示例

金融领域：股票每日收盘价、成交量、财务报表中的净利润。
其他领域：气温、犯罪率、冰淇淋销量。

二、特征

1. 定义

特征是从标签中筛选或派生出的变量，与当前分析目标直接相关。

2. 核心特点

是标签的子集或变换结果（如对数收益率、移动平均线）。
需经过业务逻辑过滤（如投资分析中排除“天气数据”）。

3. 示例

投资场景：换手率、市盈率、动量指标（由价格标签计算而来）。
零售预测场景：过去 7 天销量均值（由每日销量标签生成）。

三、因子（金融领域）

1. 定义

因子是已被实证能够解释或预测收益率的特征，是特征的高价值子集。

2. 核心特点

必须与收益率有统计或因果关联。
通常需要经过严格的回测验证（如 IC 值检验）。

3. 示例

有效因子：Fama-French 三因子（市值、账面市值比、市场风险溢价）。
无效特征：股票代码尾号（与收益率无关，即使它是特征）。

四、标签，特征与因子的关系

实例：上一篇帖子基于的研报《基于趋势资金日内交易行为的选股因子》中，标签包括研报
中使用的最底层、未经加工的原始数据，比如每分钟的收盘价、每分钟的成交量、每日流通
股本、股票代码、交易日、行业分类（中信一级行业）、是否ST股、上市天数等。特征包括
从原始标签中提取或计算出的中间变量，用于后续因子的构建，比如过去5日分钟成交量的
90%分位数、当日分钟成交量是否超过阈值、趋势资金交易均价、当日所有分钟交易均价、
趋势资金支撑成交量、趋势资金阻力成交量等。因子包括通过统计验证与业务逻辑筛选后，
最终用于选股的有效特征，比如趋势资金相对均价因子、趋势资金净支撑量因子、前两者的
综合因子。

这种对标签、特征、因子的定义体现了从数据→信息→知识的提炼过程：
标签：数据仓库中的原始字段。
特征：分析师筛选后的候选变量。
因子：通过量化检验的“黄金特征”。
这种分阶段方法尤其适合高噪声金融数据，避免在无效特征上过度拟合。

五、因子是区分金融大数据和非金融大数据的重要指标

在数据科学和机器学习领域，金融大数据和非金融大数据（如电商、社交网络、图像识别等）
的核心差异在于数据的目标驱动性和经济逻辑的嵌入程度。而“因子”这一概念，恰恰是金
融领域独有的、能够系统性解释收益与风险的结构化驱动变量。

六、在量化投资中，因子的核心价值在于其与收益率的统计关联性，而非经济解释性

因子只需满足统计显著性（IC > 0.02，t-stat > 2）、样本外稳健性（回测夏普比率 > 1.5）
等就可，无需追求经济层面的可解释性。
案例：
高频订单流不平衡因子（无明确经济逻辑，但预测力强）
机器学习生成的隐含因子（如 LSTM 隐藏层输出）

七、Alpha 因子与 Beta 因子的区别

Alpha 表示资产超越市场基准的收益，代表基金经理的主动管理能力。
Beta 衡量资产或投资组合对市场整体波动的敏感程度，反映系统性风险（不可分散风险）。

示例：
Alpha 因子：高质量公司（高 ROE、低负债）的选股能力。
Beta 因子：股票对市场指数（如沪深 300）的敏感度。

八、因子投资

以因子而不是其他股票来衡量标的的收益率可以扩大截面的数据量，更具统计规律，也更
符合量化的目标。比如如果我们用 A、B、C、D 四只股票来预测标的的收益率，我们拥有的
数据量仅为 A、B、C、D 四只股票的时序数据，非常受限于 A、B、C、D 本身的上市时间以及
影响力。正因为能获取到的数据有限，我们很难检验这四只股票是否具有能预测标的收益率
的显著性；但是如果我们用四个因子来预测标的的收益率，每一只上市的股票甚至期货、虚
拟货币每一天的数据都能作为我们检验因子有效性的样本，这就带来了统计学上的意义。
以 Fama-French 三因子模型为例讲解：

第一步：获取 A 股 raw data，包括市值、净资产，计算出 SMB、HML
第二步：计算每一只股票每月收益率，每月按照 SMB、HML 分组，得出每月的每只股票的三
因子值。
第三步：对于每一只股票的每月收益进行上述公式的线性拟合，会得到超额收益 alpha，每
月我们可以根据滚动数据获得的 alpha 对股票进行排序，投资 alpha 值较高的股票，这也就
是因子投资。