深度神经网络 (第 II 部)。制定和选择预测因子·进阶篇
（2/3）· 手里有价量数据却喂不饱模型？问题常出在预测因子的制定与选择环节
离群值处理对正弦特征偏度的影响
在 R 环境里对 x.sin 的各列做离群值清洗，有两种常见思路：remove_outliers 直接删掉异常行，capping_outliers 把异常值压缩到边界。下面这段用 foreach 按列循环，把两种结果分别存成 x.sin.out 和 x.sin.cap，列名沿用原矩阵。 evalq({ foreach(i = 1:ncol(x.sin), .combine = "cbind") %do% { remove_outliers(x.sin[ ,i]) } -> x.sin.out colnames(x.sin.out) <- colnames(x.sin) }, env) evalq({ foreach(i = 1:ncol(x.sin), .combine = "cbind") %do% { capping_outliers(x.sin[ ,i]) } -> x.sin.cap colnames(x.sin.cap) <- colnames(x.sin) }, env) 清洗完算偏度（skewness），原始 x.sin 的 pcci 偏度是 0.0009679463，v.stlm 偏度高达 0.5217757，说明短周期慢线变量本身右偏明显。 删离群值后（x.sin.out），pcci 偏度升到 0.03532892，v.stlm 降到 -0.02380975，v.ftlm 从 0.04923953 掉到 0.0009366441；封顶处理（x.sin.cap）的 pcci 偏度 0.03283132，与删除法接近但 v.fatl 仍保留 0.00360966 的正偏。外汇与贵金属行情里这类合成特征的高偏度可能扭曲后续信号权重，开 MT5 接 R 之前先跑一遍偏度对比再决定用哪种清洗。
evalq({ foreach(i = class="num">1:ncol(x.sin), .combine = "cbind") %do% { remove_outliers(x.sin[ ,i]) } -> x.sin.out colnames(x.sin.out) <- colnames(x.sin) }, env) evalq({ foreach(i = class="num">1:ncol(x.sin), .combine = "cbind") %do% { capping_outliers(x.sin[ ,i]) } -> x.sin.cap colnames(x.sin.cap) <- colnames(x.sin) }, env) evalq({ sk.sin.out <- skewness(x.sin.out) sk.sin.cap <- skewness(x.sin.cap) }, env)
「偏度近零与缺失值分布的实测读数」
把 ftlm、stlm、pcci 三列做偏度扫描，结果分别是 0.007588308、−0.02424707、−0.04106469，第四项 v.pcci 为 −0.02825112。从数值看，这几组序列的偏度都贴在 0 附近，形态上接近对称，但 pcci 一侧略向左偏，做特征标准化时不能默认它们严格正态。 用 boxplot 把 x.sin（含异常值）、x.sin.out（剔除异常值）、x.sin.cap（盖帽处理异常值）三张图并排，横轴基准线 h=0 标红。肉眼能确认：剔除或盖帽后，箱体中心相对 0 轴的偏移变小，说明异常值对中枢的拉扯在外汇与贵金属高频序列里确实存在，属于高波动品种的常见噪声。 缺失结构更要命。对 x.sin.out 跑 aggr，pcci 缺 256 条、v.fatl 缺 317 条、v.satl 缺 289 条、v.rftl 缺 406 条、v.ftlm 缺 215 条、v.stlm 缺 194 条、v.pcci 另计 201 条。训练集若直接 na.omit，样本会从 4000 缩到clean后的子集，回测窗口被迫砍短，EURUSD/XAUUSD 这类品种的低流动性时段更容易被删光。 切分上用 train=1:2000、val=2001:3000、test=3001:4000 做三段，再对 train 跑 spatialSign 预处理生成 DTn。table.Stats 读 DTn$train 时会用 Data 列当日期变量；开 MT5 导出的同类 csv，先在 R 里复一遍这个切片和预处理，再喂模型，不然跨平台对齐会歪。
◍ 四个指标的描述统计对照
对 ftlm、stlm、rbci、pcci 四个序列各取 2000 个观测值做描述统计，无缺失（NAs 均为 0.0000），样本量足够跑分布特征。 四个序列的算术均值都贴近 0：ftlm 为 0.0070，stlm 为 0.0190，rbci 为 0.0085，pcci 为 0.0028；但几何均值全部转负（ftlm -0.0316、stlm -0.0396、rbci -0.0332、pcci -0.0438），说明序列中存在拉低复合收益的极端负值段。 离散程度看，stlm 波动最猛：标准差 0.3252、方差 0.1058，均高于其余三者；pcci 标准差 0.2912 次之。四者中位数与均值符号一致且量级接近，分布大致对称但尾部偏厚——最大值 ftlm 0.6314、stlm 0.8047，最小值则探到 -0.5909 与 -0.7624。 95% 置信区间上，stlm 的均值下限已站上 0（LCL 0.0047、UCL 0.0333），其余三个序列的置信区间仍跨过 0 轴，单看均值难以断言偏移方向。外汇与贵金属市场高风险，这类统计仅描述历史样本，实盘信号需结合价格行为过滤。
四组波动序列的偏度峰度与分位分布
把 v.fatl、v.satl、v.rftl、v.rstl 四组序列各取 2000 个观测值做描述统计，样本无缺失（NAs 均为 0.0000），可直接在 MT5 里用自定义指标吐出同样长度的数组后核对。 四组偏度均为负：v.fatl 为 -0.0762，v.satl 为 -0.0221，v.rftl 为 -0.0169，v.rstl 为 -0.0272，说明尾部略向左偏，极端负向扰动的概率倾向高于正向。峰度同样全负（v.fatl -0.8759、v.satl -0.6688、v.rftl -0.8782、v.rstl -0.7090），分布比正态更平坦，别拿正态假设去套止损间距。 中位数与算术均值出现背离：v.fatl 中位数 0.0015 但均值 0.0032，几何均值却是 -0.0323；v.rstl 中位数 0.0277、均值 0.0177、几何均值 -0.0429。几何均值为负源于序列含负收益段，做复利口径评估时得用几何均值而非算术均值。 95% 均值置信区间里，v.fatl 的 LCL 为 -0.0082、UCL 为 0.0146，区间跨零，单看这组序列均值是否非零在统计上并不稳；其余三组 LCL 均大于 0（v.satl 0.0028、v.rftl -0.0003 临界、v.rstl 0.0033），倾向有微弱正偏移。外汇与贵金属波动序列高风险，上述偏移不代表任何方向性盈利预期。
「四个滤波指标的分布体检」
把 v.ftlm、v.stlm、v.rbci、v.pcci 四个序列各取 2000 个观测值做描述统计，样本无缺失（NAs 全为 0.0000），能直接横向比形态。 方差一栏里 v.pcci 最大，读数为 0.1083，对应标准差 0.3291，比 v.ftlm 的 0.0675 / 0.2599 高出约 60%，说明 pcci 通道波动更剧烈，刷信号更频繁但也更易噪音。 四个序列的偏度都在 0 附近（最小 -0.0956、最大 -0.0119），峰度全为负（v.ftlm 的 -1.0788 最扁），分布比正态更平、尾部更薄，用正态假设算置信带会偏宽。 算术均值全贴着 0（v.pcci 仅 0.0013），但几何均值落到 -0.04 上下，提示序列中有负数乘积拖累，回撤期可能比均值暗示的更长。95% 下限置信带里 v.rbci 为 -0.0157，是四个中最靠下的，实战中贵金属喊单若参考 rbci 交叉，要预留这条边界的假突破空间。外汇与贵金属杠杆高，上述统计仅描述历史样本，实盘仍可能发散。
◍ 分布与相关性看训练集到底长什么样
把训练、测试、验证三份数据拉出来画水平箱线图，零轴用红线标出来，能直接看出各类特征相对 0 的偏移与离散程度。训练集的 UCL 均值落在 0.0082~0.0163 区间，标准差在 0.2706~0.3123 之间，峰度全是负值（最低 -1.0083），说明分布比正态更平、尾部更薄，别拿正态假设硬套。 用 funModeling 算了一遍训练集对 Class 的相关性：v.fatl 0.38、ftlm 0.34、rbci 0.28 排前三，stlm 只有 0.03、v.rstl 甚至 -0.01，基本无线性信号。做特征筛选时，后两个维度可能倾向直接砍掉以降噪。 ggpairs 按 Class 着色看 2:7 与 8:14 两批变量两两关系，再对 v.fatl 在 train 和 val 上各画一条密度曲线，能确认该类特征在涨跌样本里的分离度。外汇与贵金属行情受杠杆与突发事件影响，这类统计分离只代表历史样本倾向，实盘仍属高风险。 代码块里那串 R 指令就是上面整套 EDA 的复现路径，丢进带 env 环境的 R 终端就能跑出图：
boxplot(env$DTn$train %>% dplyr::select(-c(Data, Class)), horizontal = T, main = "Train") abline(v = class="num">0, col = class="num">2) boxplot(env$DTn$test %>% dplyr::select(-c(Data, Class)), horizontal = T, main = "Test") abline(v = class="num">0, col = class="num">2) boxplot(env$DTn$val %>% dplyr::select(-c(Data, Class)), horizontal = T, main = "Val") abline(v = class="num">0, col = class="num">2) require(GGally) evalq(ggpairs(DTn$train, columns = class="num">2:class="num">7, mapping = aes(class="type">class="kw">color = Class), title = "DTn$train1 "), env) evalq(ggpairs(DTn$train, columns = class="num">8:class="num">14, mapping = aes(class="type">class="kw">color = Class), title = "DTn$train2"), env) > funModeling::correlation_table(env$DTn$train %>% tbl_df %>% + select(-Data), str_target = &class="macro">#x27;Class&class="macro">#x27;) require(ggvis) evalq( DTn$train %>% ggvis(~v.fatl, fill = ~Class) %>% group_by(Class) %>% layer_densities() %>% add_legend("fill", title = "DTn$train$v.fatl"), env) evalq( DTn$val %>% ggvis(~v.fatl, fill = ~Class) %>% group_by(Class) %>% layer_densities() %>% add_legend("fill", title = "DTn$val$v.fatl"), env) evalq(