股票量化交易SQL特征工程入门

虽然现在各种量化教程和自助平台铺天盖地，但是对于新人来说入门最重要的事情就是挖掘特征。

对于传统的学习路径第一步是学习Python或者某一门编程语言，虽说Python入门容易上手快，但是要在实际应用中对股票数据进行分析，并挖掘有用特征还是一件比较麻烦的事情。以一个简单的分析为例，使用从Kaggle下载的日本股市数据（实验使用train_files目录下的stock_prices.csv，或者直接下载优快云附件）：

1. 计算买入后持有1天，2天的收益
2. 计算3个指标：5日，10日均价，以及日最高价除以最低价的5日最大值。
3. 分析上述3个指标以及组合后与收益的关系，寻找潜在可用的特征组合。
4. 对指标进行挡位划分后对特征做进一步的分析。

直接使用编程语言当然可以解决问题，但是存在以下几个挑战：

1. 原始数据包含多个交易日多个股票的数据，需要进行拆分。
2. 针对单个股票数据，计算特征需要自行设计算法管理时间窗口。
3. 数据挡位划分，特征排列组合需要大量代码实现。
4. 代码正确性验证困难，维护理解成本高。

相比与Python之类的编程语言，SQL最大的特点是声明式的，你只需要告诉系统你想做什么，具体怎么做系统在后台帮你默默完成。上面我们提到的几个挑战，借助于SQL的OLAP函数我们可以轻松完成。

本教程使用Jupyter Lab编写，大家可以直接安装Anaconda全家桶，也可以安装较小的mini conda，在文章的末尾有相关安装参考教程链接。安装后执行"pip install asqlcell"安装jupyter lab的一个sql插件，本文的Python/SQL混合编程依赖该插件实现。在教程中我们也会顺带穿插讲解一下用到的OLAP函数。

点这里下载测试数据。

首先引入我们需要的包

import asqlcell