3. 数据漂移概念解析
在机器学习交易系统的生命周期中，模型上线往往只是开始。真正决定策略长期表现的，是模型面对不断变化的市场环境时，输入分布、输出关系与决策边界是否仍然成立。这一节我们把“漂移”拆成三个最容易被混用的概念：数据漂移、概念漂移与协变量偏移，并落到金融时序的具体表现上。
一、核心原理：从联合分布到三个可观测切面
监督学习假设训练数据与未来数据来自同一分布。用数学语言说，模型学习的是联合分布 P(X, Y)，其中 X 是特征，Y 是标签。当 P(X, Y) 随时间变化，就发生了漂移。根据变化发生在联合分布的哪个部分，我们可以区分三类：
- 数据漂移（Data Drift）：最宽泛的术语，泛指输入数据分布
P(X)或整体数据统计特性发生变化。它常被当作“漂移”的总称，但在严格语境下，它强调输入侧的变化。 - 协变量偏移（Covariate Shift）：特指
P(X)变化，但条件分布P(Y|X)保持不变。也就是说，特征的出现频率变了，但“给定特征后标签如何生成”的规律没变。 - 概念漂移（Concept Drift）：特指
P(Y|X)发生变化。同样的特征组合，对应的标签含义或统计关系变了。这是对交易模型最致命的一类漂移。
三者的关系可以这样理解：数据漂移是“现象层”的统称；协变量偏移和概念漂移是“机制层”的两种典型归因。实际市场中，二者常常同时发生，但区分它们决定了你该重训、重加权，还是重构特征与标签。
二、方法流程：如何检测与区分三类漂移
检测漂移不是单一指标，而是一条从数据到决策的流水线。建议按以下顺序推进：
- 监控输入分布：对每个特征计算滚动窗口的均值、方差、分位数，使用 PSI、KS 检验或 Wasserstein 距离与训练集基线对比。
- 监控预测分布：跟踪模型输出分数的分布变化。若输入稳定但输出分布偏移，往往指向概念漂移。
- 监控性能指标：在标签可得后计算滚动 AUC、IC、胜率、盈亏比。性能下降是概念漂移的强证据。
- 归因判断：若
P(X)显著变化而P(Y|X)稳定，判为协变量偏移；若P(Y|X)变化，判为概念漂移。 - 触发动作：协变量偏移可优先考虑样本重加权或在线校准；概念漂移通常需要重训、换标签或调整模型结构。
关键区分口诀：输入变了、规律没变 → 协变量偏移；输入没变、规律变了 → 概念漂移；两者都变或说不清 → 统称数据漂移，再进一步归因。
三、案例/场景：A股因子模型的漂移复盘
假设你训练了一个基于动量、估值、波动率的日频选股模型。某段时间出现以下日志：
2024-05-10 feature_drift momentum_20d PSI=0.31 KS=0.08
2024-05-10 feature_drift volatility_60d PSI=0.27 KS=0.11
2024-05-10 pred_drift score_mean=0.42 -> 0.18
2024-05-20 perf_drift rolling_auc=0.61 -> 0.49
2024-05-20 label_delay holding_period=5d label_ready=2024-05-27
解读：前两条说明输入特征分布明显偏移，属于协变量偏移信号；第三条预测分数均值下移，第四条滚动 AUC 跌破 0.5，说明 P(Y|X) 也在变化，概念漂移已经发生。最后一条提醒我们，标签延迟会让概念漂移的确认滞后，实盘中必须用代理指标提前预警。
| 漂移类型 | 变化部分 | 金融时序表现 | 优先应对 |
|---|---|---|---|
| 数据漂移 | P(X,Y) 整体 | 波动率 regime 切换、成交量结构突变 | 全面监控，进一步归因 |
| 协变量偏移 | P(X) | 因子暴露漂移、行业轮动、流动性分层 | 样本重加权、在线校准 |
| 概念漂移 | P(Y|X) | 动量反转失效、政策底改变收益映射 | 重训、换标签、调整结构 |
四、误区与复盘
误区一：把协变量偏移当成概念漂移，频繁重训。如果只是特征分布变了但规律没变，重训可能浪费算力，甚至引入噪声。应先做重加权或校准。
误区二：只看 AUC，不看校准。概念漂移早期 AUC 可能仍然稳定，但预测概率与真实胜率已经偏离，导致仓位管理失效。
误区三：忽略标签延迟。金融标签往往依赖未来收益，概念漂移的确认天然滞后。必须用预测分布、特征重要性和代理指标做前置监控。
复盘建议：建立“输入分布—预测分布—性能指标”三层监控看板，每层设置不同阈值与告警级别。协变量偏移触发黄色预警，概念漂移触发红色预警并进入重训评估流程。这样既能避免过度反应，也能在规律真正改变时及时止损。
理解这三类漂移的定义与区别，是后续设计重训触发器和漂移自适应策略的基础。只有先判断“变的是输入还是规律”，才能选择正确的工程动作。