机器学习中分数微分的特征选择：OHLC时间序列场景疑问

对所有特征做分数微分合理吗？ #

当然不合理。分数微分的核心是处理非平稳序列，但不是所有金融特征都存在非平稳问题：

• 像RSI、CCI这类本身基于涨跌幅度比例计算的指标，天生具备平稳性，硬套分数微分只会搅乱原本清晰的信号，还会损失特征的解释性。
• 先做平稳性检验（比如ADF、KPSS检验）是关键，只给检验通不过的非平稳特征（比如原始收盘价、开盘价，或者长期移动平均线）做分数微分，平稳的特征直接跳过即可。

先把OHLC做分数微分平稳，再算指标足够吗？ #

完全不够。技术指标的设计逻辑大多依赖原始价格的相对波动关系，先微分再算指标等于彻底改变了计算基础：

• 比如MACD是基于短期和长期均线的差值，你先把收盘价微分了，再算均线，得到的均线已经不是原本的价格趋势平滑信号，MACD的意义也就完全变了。
• 正确的流程应该是：先基于原始OHLC算出所有符合交易逻辑的指标，再对其中非平稳的部分（包括原始OHLC的微分结果）做分数微分处理，这样既保留了指标的业务意义，又解决了平稳性问题。

先平稳OHLC再生成的指标一定平稳吗？ #

不一定。平稳性不会自动“继承”：

• 比如你把收盘价微分平稳后，再算它的20日移动平均线——均线是平滑操作，会保留序列里的低频波动，如果微分后的收盘价还有微弱的趋势残留，平滑后的均线依然可能通不过平稳性检验。
• 再比如布林带，它的上下轨是均线加减波动率的倍数，要是波动率本身是时变的，哪怕均线平稳，布林带指标也可能是非平稳的。
• 所以不管怎么生成的指标，都得单独做平稳性检验，别想当然觉得跟着原始序列一起平稳了。

内容的提问来源于stack exchange，提问作者tost