【CatBoost 系列 第7讲】跨市场迁移：A股与期货数据域适配方法

一、为什么跨市场迁移最容易出错的地方，不是模型能不能读数据，而是你以为“长得像”的字段就真的可比

当一个 CatBoost 模型在 A 股上跑得不错时，很多人自然会问：能不能直接拿去做期货、ETF、可转债，甚至别的市场。这个问题本身很正常，但最危险的地方恰恰在于它听起来太顺。很多人一看到两个数据域里都有“收益率”“波动率”“成交量”这些名字相似的字段，就会下意识认为它们已经可比，迁移只差把模型拿过去试一下。现实往往并不是这样。跨市场迁移最先出问题的地方，通常不是模型读取不了数据，而是这些看起来相似的字段，在不同市场里其实承载着不同的结构和语义。

也正因为如此，跨市场迁移真正该先问的，不是“能不能直接套”，而是“我现在迁移的是结构，还是只是字段名”。如果只是字段名看起来差不多，但标签口径、交易时段、流动性约束、连续化方式和市场身份完全不同，那么模型拿过去后大概率只会学到伪共性。对量化来说，这种伪共性尤其危险，因为它经常会在小范围验证里看起来还行，上线后却很快失真。

所以本讲真正要做的，不是鼓励盲目迁移，而是帮你建立一个更稳的迁移思路：先统一可比口径，再考虑模型如何适配。只有这样，跨市场才有讨论意义。

二、为什么 A 股和期货最根本的差异，不在字段多少，而在交易结构和标签含义

很多人刚开始做跨市场迁移时，会特别关注样本表里字段够不够对齐，比如都有没有收益率、波动率、换手、成交额之类。可真正更深的差异，通常不在字段数量，而在交易结构和标签含义。A 股和期货虽然都可以做日频建模，但它们的交易时段、夜盘机制、流动性分布、持仓成本、连续合约处理方式、品种属性变化，都和股票市场完全不同。这些差异最终都会反映到标签定义上。

比如，A 股里未来 5 个交易日收益也许能自然对应一个较稳定的持有窗口；到了期货，连续合约、夜盘波动和展期处理可能会显著影响同样定义的含义。再比如，股票里的行业标签和期货里的品种类别，在语义上压根不是同一类身份特征。只要这些底层差异没先想清楚，后面哪怕字段名对齐得再漂亮，模型学到的也未必是真正可迁移的规律。

因此，跨市场迁移真正第一步不是看表长什么样，而是先确认两个市场在交易结构和标签口径上，到底有没有被整理到可以对照的程度。这一步比字段对齐本身更重要。

三、为什么跨市场迁移必须先统一“可比口径”，而不是先统一“表头”

很多迁移失败的根源，其实都可以概括成一句话：团队统一了表头，却没有统一口径。看起来两个市场都叫 ret_5d，但一个是按自然日算、一个按交易日算；一个是后复权收益，一个是连续合约滚动收益；一个在高流动性约束下仍然有现实意义，另一个则高度受主力切换影响。结果字段名虽然一样，背后定义却已经完全不同。

所以，本讲里特别强调“先统一口径”，意思就是在真正迁移模型前，先把那些影响比较基础的定义一层层钉死。标签是不是都按未来 5 个交易日定义，波动率是不是都用可比窗口和可比标准化方式，流动性指标在各自市场里是否代表了相近的交易含义，这些都属于迁移前必须先统一的内容。只有这些统一了，字段名相同才真正有意义。

这一步看起来很像工程细活，但其实比直接训模型更决定成败。因为模型只能在输入口径已经大致可比的情况下，才有机会学到跨市场共性。否则它只是被迫在两套语义完全不同的数据上硬做折中。

四、为什么先共享“行为特征”，通常比先共享“市场身份特征”更稳

如果你真的要在不同市场之间寻找可迁移结构，一个很稳的起点通常不是从市场特有身份列开始，而是先从更抽象、更行为化的特征层开始。也就是那些在不同资产域里虽然不完全相同，但至少具有相近行为意义的特征，比如收益动量、波动率、振幅、流动性相对变化、事件前后价格反应等。这些特征不一定完全等价，但比直接把行业、板块、品种编码混在一起要更容易找到可比部分。

相反，市场身份特征通常强烈依赖本地语义。A 股的行业标签直接套到期货上没有意义，期货里的合约类型和近远月属性直接拿来和股票板块做对应也很勉强。如果一开始就让模型过度依赖这些市场特有身份列，你表面上是在做跨市场迁移，实际上模型只是在学“这是什么市场”的标签，而不是更本质的行为结构。

因此，本讲里更推荐先共享行为特征、后引入市场身份上下文。这样一来，模型先尝试学习不同市场里可能存在的共通动态，再用市场标识帮助它区分域间背景。这种顺序会稳很多。

五、为什么联合训练时，必须显式告诉模型“这些样本来自不同市场”

有些团队做迁移时，会直接把 A 股和期货样本拼成一张大表，然后就开始联合训练，仿佛模型自己会“看出来”它们来自不同数据域。现实里，这种做法通常不够稳。更好的方式，是显式加入 market_type、instrument_class、day_session_type 这类上下文列，让模型知道自己面对的并不是单一分布，而是多个市场环境的混合样本。

这个动作非常关键。因为跨市场联合训练真正难的地方，不只是找到共性，还要防止模型误把域差异当成规律。显式加入市场上下文，相当于在告诉模型：这些样本虽然放在一起学，但它们并不来自完全同一种世界。这样做的好处是，模型更有机会把共性结构和市场特有结构分开处理，而不是在内部把一切硬揉成一个模糊平均值。

也正因为如此，本讲里联合训练的前提，不是“样本表能拼起来就拼”，而是“拼起来以后也要把市场身份明明白白告诉模型”。这会直接影响迁移效果是否真实可解释。

六、为什么跨市场验证绝不能只看合并后的总分，而必须拆开各市场单独复核

跨市场迁移里最容易制造自我安慰的一步，就是只看合并后的总体验证指标。尤其当股票样本量远大于期货样本时，总分一旦上升，看起来就像迁移成功了。但这类总分极容易掩盖真实问题。模型可能只是把大样本市场学得更好了，却没有真正改善小样本市场，甚至还把后者拖得更差。只看总分，你几乎看不出来。

因此，跨市场验证有一个非常硬的要求：必须把验证结果按市场拆开看。A 股单看、期货单看、合并结果再单看，这三层都应该保留。只有这样，你才能知道所谓迁移到底有没有在目标市场真正成立。否则你很容易被一个平均指标误导，以为模型更强了，实际上只是样本更多的一边贡献了大部分改进。

这也是为什么本讲把“分市场验证”放得很重。因为对迁移问题来说，拆开看永远比合起来看更诚实。只要拆开以后某一市场明显偏弱，你就应该对所谓“统一模型”保持谨慎，而不是被总分带着走。

七、为什么更稳的迁移思路，往往不是“一步到位统一模型”，而是分层推进

很多团队一谈跨市场，就默认最终目标必须是一个统一模型。但现实里，更稳的做法往往是分层推进，而不是一步到位。比如，先共享特征工程，不共享最终模型；或者先在大样本市场验证一套特征结构，再在小样本市场用保守参数单独重训；又或者先尝试联合训练，但保留按市场拆开的独立验证和回退方案。这些都比“直接强行统一”要现实得多。

这种分层推进的价值在于，它允许你逐步验证共性到底有多少，而不是一开始就假设共性足够大。跨市场迁移真正难的地方，本来就在于共性和差异是同时存在的。若你上来就只允许一种结果，也就是必须合成一个统一模型，很容易忽视那些本来就不该硬合的结构差异。相反，只要允许保守路径存在，迁移就会变成一个可试、可退、可比较的过程。

因此，本讲更想建立的，不是“如何一定做出统一模型”，而是“如何让迁移成为一个有台阶、有检验、有回退的研究动作”。对量化来说，这种保守性非常值钱。

八、这一讲真正建立的，是“数据域适配意识”而不是简单的模型复用冲动

如果从更高一层概括，本讲真正要建立的，其实是数据域适配意识。也就是你开始知道，一个模型从 A 股迁到期货，不是简单的模型复用，而是一次完整的数据域重审。你要重审标签、重审特征可比性、重审市场身份语义、重审训练和验证方式，最后才轮到模型本身能不能迁过去。只要这种域适配意识建立起来，你以后面对别的市场迁移问题时，也不太会一上来就只想“能不能复用模型文件”。

这层意识特别重要，因为量化里的很多迁移失败，本来就不是模型太弱，而是团队太快地忽略了域差异。市场一变，很多原本隐含成立的前提都不再成立了。只要你能先看到这些变化，后面的迁移尝试即使不成功，也会更容易知道问题出在哪里。

因此，本讲不是要劝你少做迁移，重点是让你以后做迁移时更稳、更有判断力。这比任何一个单独技巧都重要。

九、为什么这一讲做完后，最好已经形成“迁移先看域差异，不先看模型文件”的判断

跨市场迁移最值得留下的一层判断，是先看域差异，再看模型文件本身。也就是说，当你面对从 A 股到期货、从股票到别的资产类别的迁移任务时，第一反应不该是“旧模型能不能直接拿来跑”，而应该是“标签定义、特征含义、市场身份和验证方式有哪些根本差别”。只要这种判断已经形成，说明你对迁移问题的理解已经从工具层走到了研究层。

这种判断很重要，因为它会明显降低很多不必要的试错。很多迁移之所以失败，并不是因为没试够模型，而是因为最开始问错了问题。

十、这一讲也在帮你建立“迁移方案要有台阶和回退”的工作纪律

迁移如果被当成一次性大跃迁，风险通常会很高。第 7 讲更希望建立的，是一种有台阶、有检验、有回退的工作纪律。先统一口径，再做共享特征层，再引入市场上下文，最后再看是否值得尝试更深的联合训练；一旦某一层结果不稳，就及时回退，而不是硬把统一模型推进到底。只要这种纪律已经形成，迁移就会从冲动尝试变成更稳的研究动作。

这层纪律在真实项目里非常值钱。因为它会让迁移失败也变得有信息量，而不是只留下一个笼统的“跨市场不行”。

十一、总结

这一讲的重点，不是简单回答 CatBoost 能不能从 A 股迁到期货，而是讲清楚跨市场迁移真正该先做什么。你需要先统一可比口径，而不是只统一表头；先共享行为特征，再谨慎处理市场身份特征；联合训练时显式加入市场上下文；验证结果必须拆到各市场分别看。同时，更稳的路径往往是分层推进，而不是一步到位强求统一模型。只要这些数据域适配原则已经建立起来，这一讲就真正完成了。

十二、系列衔接

本讲是《CatBoost量化建模完整学习计划》的第 7 讲，当前主题是《CatBoost 跨市场迁移：A 股与期货数据域适配方法》。上一讲已经把概率输出和风险分层的落地方式讲清楚，这一讲则进一步讨论模型从一个市场迁到另一个市场时，输入口径和验证方式该如何同步升级。下一讲会继续往稳定性层面推进，专门讨论在市场状态切换、输入扰动和交易成本约束下，如何系统评估模型的鲁棒性。

十三、风险揭示与免责声明