1. 课程导入
欢迎进入《机器学习交易信号漂移与重训实战》。在正式动手写代码之前，本章先解决三个问题：我们要学什么、为什么必须学、以及按什么路径学。很多量化从业者能训练出一个回测漂亮的模型，却在实盘几个月后遭遇收益衰减，却说不清衰减来自市场变化、特征失效还是模型过拟合。本课程的目标，就是把这团模糊的“模型变差了”拆解成可观测、可度量、可干预的工程问题。
一、学习目标：从“会训练”到“会维护”
传统机器学习课程止步于模型上线，而交易场景恰恰从上线那一刻才真正开始。本课程设定四个递进目标：
- 识别漂移：能区分数据漂移、概念漂移与标签漂移，并知道在交易信号中它们各自长什么样。
- 度量漂移：掌握PSI、KL散度、KS检验、滚动IC、命中率衰减等指标的计算与阈值设定。
- 决策重训：建立“监控—告警—评估—重训—验证—上线”的闭环，而不是凭感觉定期重训。
- 控制风险：理解重训本身也会引入风险，学会用影子模式、灰度切换和回滚机制保护实盘资金。
学习本课程后，你应当能回答一个具体问题：当策略近20个交易日夏普从1.8降到0.4时，是市场风格切换、特征分布偏移，还是模型参数老化？以及，下一步该做什么。
二、核心概念：漂移的三种面孔
在交易语境下，漂移不是单一现象。我们可以用输入分布P(X)与条件分布P(y|X)的关系来划分：
| 漂移类型 | 数学表现 | 交易场景示例 | 典型检测手段 |
|---|---|---|---|
| 数据漂移（协变量漂移） | P(X)变化，P(y|X)不变 | 波动率 regime 切换，成交量分布整体抬升 | PSI、KS检验、特征分位数监控 |
| 概念漂移 | P(y|X)变化 | 同样的动量特征，在震荡市中不再预测上涨 | 滚动IC、滚动AUC、命中率衰减 |
| 标签漂移 | P(y)变化 | 牛市中正样本比例远高于熊市 | 标签分布监控、基准收益率对比 |
需要强调的是：数据漂移不一定导致策略失效，概念漂移才是收益杀手。很多新手看到特征分布变了就慌忙重训，结果把仍然有效的模型换掉。因此监控体系必须同时覆盖输入侧和表现侧。
三、整体框架：四层结构
本课程把实战体系拆成四层，后续章节会逐层展开：
- 数据与特征层：负责特征工程、标签构造、样本权重与时间序列切分。这一层决定了漂移的“源头”。
- 模型与信号层：负责模型训练、信号生成、仓位映射。重点讨论模型复杂度与稳健性的权衡。
- 监控与告警层：负责指标计算、阈值管理、归因分析。这是本课程的核心新增能力。
- 重训与治理层：负责触发策略、验证流程、灰度发布与回滚。它把技术动作变成可审计的工程流程。
建议把四层理解为“责任分离”：数据层出问题不要用重训掩盖，模型层过拟合不要靠频繁重训缓解。归因错了，重训越勤亏得越快。
四、实战路线图与常见误区
课程实战路线图按“先观测、再干预”的顺序推进：
阶段1 搭建特征与标签流水线，固定时间切分
阶段2 训练基线模型，记录滚动IC与命中率
阶段3 接入PSI/KS监控，设定分级阈值
阶段4 实现事件触发与定时触发两种重训策略
阶段5 用影子模式验证新模型，对比旧模型
阶段6 灰度切换仓位，设置回滚条件
阶段7 复盘：记录每次重训的原因、效果与成本
在真实场景中，一个典型误区是“用回测指标决定重训”。回测可以反复调参，容易过拟合；而实盘只有一次机会。更稳健的做法是：以实盘滚动表现为主要依据，回测仅用于排除明显退化的候选模型。
重训不是免费的。每次重训都伴随数据准备成本、验证成本和切换风险。频繁重训会让策略在噪声中来回摇摆，反而放大换手与回撤。因此本课程强调“触发条件”比“重训频率”更重要。
另一个常见误区是只看收益曲线，不看漂移指标。收益下降可能来自仓位管理、交易成本或市场beta，未必是模型漂移。复盘时要建立归因清单：先看市场基准，再看特征分布，再看模型滚动表现，最后才决定是否重训。
本章不要求你立刻写出监控代码，但希望你建立一个判断框架：漂移是常态，重训是手段，验证与风控才是底线。接下来的章节，我们会从数据与特征层开始，一步步把这套框架落到可运行的代码与可执行的流程上。