4. 模型更新机制概览

在Qlib的滚动训练体系中，模型更新机制决定了“模型何时变、以什么方式变、变多少”。很多初学者把滚动训练简单理解为“每天重新训练一次”，但在真实投研与生产环境中，更新策略的选择直接影响计算成本、模型稳定性、信号衰减速度以及上线风险。本节将系统梳理五类主流更新机制，并给出可落地的选择框架。

一、核心原理：五类更新机制的本质差异

模型更新的本质是在“适应新数据”与“保持模型稳定”之间做权衡。不同机制对应不同的权衡点：

• 全量更新（Full Retrain）：用全部历史数据从头训练一个新模型，替换旧模型。优点是信息最完整、无历史偏差累积；缺点是计算量大、训练周期长，且新旧模型切换可能带来信号突变。
• 增量更新（Incremental Update）：在已有模型参数基础上，仅用新增数据继续训练。优点是计算成本低、响应快；缺点是容易受近期数据噪声影响，且部分模型（如树模型）原生不支持真正的增量学习。
• 在线学习（Online Learning）：样本逐条或小批量到达，模型参数实时或准实时更新。优点是适应市场突变最快；缺点是对异常值敏感、难以回滚，且对工程链路要求极高。
• 定期重训（Periodic Retrain）：按固定周期（如每周、每月）执行全量或增量训练。优点是节奏可控、便于运维；缺点是周期设定依赖经验，可能错过关键转折点。
• 触发式更新（Trigger-based Update）：当监控指标（如IC衰减、PSI漂移、回撤超阈值）触发时才更新。优点是资源用在刀刃上；缺点是触发规则设计复杂，存在滞后或误触发风险。

二、方法流程：在Qlib中如何落地不同更新机制

Qlib的qrun工作流与Rolling配置是落地更新机制的主要入口。以下以日频选股模型为例，展示三种典型配置方式。

1. 定期全量重训（每周一次）

# workflow_config_weekly.yaml
task:
  model:
    class: LGBModel
    module_path: qlib.contrib.model.gbdt
    kwargs:
      learning_rate: 0.05
      num_leaves: 64
  dataset:
    class: DatasetH
    kwargs:
      handler:
        class: Alpha158
        kwargs:
          start_time: 2015-01-01
          end_time: 2024-12-31
      segments:
        train: [2015-01-01, 2023-12-31]
        valid: [2024-01-01, 2024-06-30]
        test:  [2024-07-01, 2024-12-31]
  record:
    - class: SignalRecord
      module_path: qlib.workflow.record_temp

配合调度器（如Airflow或Cron）每周执行一次qrun workflow_config_weekly.yaml，即可完成全量替换。

2. 增量更新（日频追加）

对于支持partial_fit的线性模型或SGD类模型，可在Qlib中加载已有模型后，仅用最近N天数据继续训练：

from qlib.contrib.model.linear import LinearModel
model = LinearModel()
model.load("mlr_model_20241201.pkl")
# 仅用最近20个交易日数据增量更新
model.fit(dataset, segment="recent_20d")
model.save("mlr_model_20241202.pkl")

3. 触发式更新（监控驱动）

在Qlib的SignalRecord与PortfolioMetrics基础上，增加自定义监控回调：当滚动IC连续5日低于阈值或PSI超过0.2时，自动触发重训任务。伪代码如下：

if rolling_ic_5d < 0.02 or psi_score > 0.2:
    trigger_retrain(
        model="LGBModel",
        data_window="last_2y",
        notify="risk_team"
    )

三、案例/场景：不同策略频率下的选择

以某私募中频选股策略为例：初始采用每月全量重训，回测发现2024年2月市场风格突变时，模型连续两周IC为负。后改为“每周定期重训 + IC连续3日低于0.01触发紧急重训”，最大回撤降低约18%，同时训练成本仅增加约25%。

四、误区/复盘：更新机制中的常见陷阱

• 误区二：增量更新等于全量更新。增量更新会累积历史偏差，尤其在市场结构性变化后，旧参数可能成为“负资产”。建议每3-6个月做一次全量重置。
• 误区三：触发阈值拍脑袋。PSI、IC、回撤阈值应基于历史分布的分位数设定，而非固定值。例如PSI阈值可取过去一年PSI的90分位数。
• 误区四：忽略新旧模型切换成本。全量替换时，若新旧模型信号差异大，组合换手率会骤升。建议设置过渡期，按权重线性混合新旧信号。
• 误区五：没有回滚机制。在线学习或触发式更新一旦出错，若无法快速回滚到上一稳定版本，可能造成实盘重大损失。务必保留模型版本快照与一键回滚能力。

复盘建议：每次更新后记录更新类型、数据窗口、训练耗时、更新前后IC变化、换手率变化。积累20次以上后，即可用数据回答“我们的策略到底适合哪种更新节奏”，而不是依赖直觉。