近年来，高频数据逐渐成为量化策略中一类重要的Alpha 来源。除了用传统的基于人工逻辑的方式构建高频因子外，深度学习也是一种高效、可行的高频因子构建方法。然而，我们在日常的路演交流中发现，初涉深度学习的投资者往往对深度学习高频因子的特征工程（如，特征的构建、处理、归因和筛选）存在各种各样的研究需求。因此，本文旨在通过多方面的对比测试，为广大投资者在特征工程层面提供一定的参考。

 深度学习高频因子的特征构建。本文使用“原始数据-分钟级基础指标-目标频率衍生指标”的方式生成高频特征。即，基于原始数据生成一系列分钟级的基础指标，这类指标旨在捕捉原始数据中的基本信息。因此计算往往不会过于复杂，它们将作为后续特征计算的输入数据。得到基础指标序列后，本文先确定算子，再通过不断变换输入的基础指标序列生成特征。其中，算子既可以由简单的四则混合运算或统计计算衍化得到，也可以从人工逻辑因子研发经验中归纳总结。

 深度学习高频因子的特征处理。具体包括，分布调整、极值处理和标准化。基于波动率、成交金额、成交笔数和买卖单数生成的特征，通常具有较为明显的偏度。

因此，分布调整是特征处理的第一步。特征中的极值也会影响模型的训练效果，因此，我们采用和常规的因子极值处理类似的方法，即，N 倍标准差截断。和低频数据类似，高频数据同样量纲差异巨大。因此，为减轻这个问题对模型训练带来的影响，标准化也是很有必要的。