二者核心本质区别

一、之前的错误认知

把量化因子 = 控制系统传递函数
误以为：输入行情数据→经过因子运算→输出信号，和输入偏差→传递函数→输出控制量是同一个模型形式。

二、定义

1. 传递函数（自控/控制理论）
   线性定常系统时域/频域映射关系
   形式：$G(s)=\frac{Y(s)}{X(s)}$

   • 用途：闭环控稳、消误差、跟踪目标、抑制扰动
   • 核心：追求稳态无差、动态收敛、抗干扰
   • 约束：线性、时不变、因果、物理系统可控可观
   • 输出：稳定趋近目标值

2. 特征工程（机器学习/量化因子）
   原始数据信息提纯、维度变换、风险分层、趋势拟合

   • 用途：挖掘涨跌规律、区分强弱、捕捉价差、筛选有效信号
   • 核心：抓非平稳时序规律、拟合收益分布、区分涨跌边际
   • 约束：非平稳、非线性、时变、市场噪声极大
   • 输出：涨跌概率、强弱分值、交易开仓信号

本质差距

1. 目标相反

• 传递函数：抹平波动、消除偏差、趋于稳定（控震荡）
• 特征因子：放大有效波动、识别趋势、抓取价差（用波动赚钱）

2. 系统属性天差地别

• 传递函数：线性时不变LTI系统，模型固定
• 量化特征：非线性时变非平稳系统，市场结构随时变

3. 输入输出逻辑不同

• 传递函数：输入误差，输出修正动作（纠偏）
• 特征工程：输入价量原始数据，输出涨跌判别特征（预判）

4. 稳定性诉求对立

• 自控传递函数：越稳定越好，震荡越小越好
• 交易特征因子：有效趋势越强越好，无效噪声剔除，拒绝过度平稳

一个不怎么恰当的比喻

1. 传递函数是“稳压器”
   不管外界怎么乱，强行用模型拉回稳态，用来控系统、控设备、控误差。
2. 特征工程因子是“探测器”
   从杂乱行情里挖出涨跌信号，用来择时、选股、判断强弱。

结论
因子不是传递函数：
传递函数求收敛稳态，特征因子求趋势背离与收益边际，二者建模逻辑、优化目标、适用场景完全对立，这就是你之前最大的认知偏差。

五、实战混用误区

1. 用滤波类传递函数思路做因子：过度平滑→滞后严重→踏空行情
2. 用特征非线性拟合做自控传递函数：系统失稳、震荡发散
3. 把PID、根轨迹、频域校正直接套因子：完全水土不服

六、正确融合思路

底层用特征工程（也就是因子）挖市场非线性规律
上层用现代控制论传递函数做仓位风控闭环

• 特征：出交易信号、择时强弱
• 传递函数/闭环控制：控回撤、控仓位、止盈止损动态调节