A chi serve — A chi costruisce modelli ML per mercati: la qualità delle feature conta più del algoritmo scelto. Dati grezzi raramente bastano.
Il feature engineering è il processo di creare, trasformare e selezionare variabili di input (feature) da prezzi, volumi, fondamentali o alternative data — normalizzazione, lag, rolling stats, interazioni, encoding di regime.
In parole semplici — Preparare gli ingredienti prima di cucinare il modello: rendere esplicito ciò che il mercato «nasconde» nei dati grezzi.
Esempi in finanza
| Famiglia | Feature tipiche |
|---|---|
| Prezzo/volume | Return, volatilità rolling, RSI-like, order-flow proxy |
| Struttura | Distanza da MA, breakout flag, range compression |
| Macro | Surprise vs consensus, slope yield curve |
| Testo |
Buone feature sono interpretabili, stabili nel tempo e calcolabili senza informazione futura — altrimenti scatta il data leakage.
Pipeline sana
- Definire orizzonte e target (classificazione direzione, regressione return…)
- Generare feature solo con dati disponibili al tempo t
- Validare con split temporale / walk-forward
- Monitorare drift e overfitting
Errore tipico — Centinaia di feature senza selezione — il modello memorizza il passato (overfitting) e crolla live.
Esempio — Predire return 5-bar forward: feature = return lag 1–5, ATR(14)/close, volume z-score 20 — tutte calcolate con `.shift()` per evitare look-ahead.
Scheda
- Principio: meno feature sensate > molte casuali.
- Test: OOS + ablation (togli una feature alla volta).
- Hub: AI & mercati.