2. 金融模型基础

在进入知识蒸馏与轻量化之前，必须先建立对金融模型本体的清晰认知。金融模型并非单一形态，它既可能是预测股价的时序网络，也可能是评估违约概率的评分卡，还可能是优化投资组合的凸优化求解器。不同类型的模型在数据形态、训练方式、评估口径和部署约束上差异巨大，而这些差异直接决定了后续蒸馏与轻量化的可行路径。

一、常见金融模型类型与核心原理

金融模型可按任务目标划分为四大类，每类对应不同的数学结构与业务语义。

• 时序预测模型：用于价格、收益率、波动率预测。典型代表包括ARIMA、LSTM、Transformer、TCN。核心原理是从历史序列中提取时序依赖，输出未来若干步的数值或分布。
• 分类与评分模型：用于信用违约、欺诈识别、客户流失。典型代表为逻辑回归评分卡、XGBoost、LightGBM、深度神经网络。核心原理是将高维特征映射为概率或分数。
• 组合优化模型：用于资产配置、风险平价、均值方差优化。典型代表为二次规划、凸优化、强化学习策略。核心原理是在约束条件下求解最优权重。
• 生成与仿真模型：用于压力测试、场景生成、合成数据。典型代表为GAN、VAE、扩散模型、蒙特卡洛模拟。核心原理是学习数据分布并采样生成新场景。

二、建模流程：从数据到上线的完整链路

一个可部署的金融模型，其生命周期远不止训练。标准流程如下：

1. 问题定义与目标量化：明确预测目标、时间窗口、损失函数和业务约束。例如“预测未来5日违约概率，要求召回率不低于0.85”。
2. 数据获取与特征工程：整合行情、财报、舆情、交易日志等多源数据，处理缺失值、异常值和时序对齐。
3. 模型选择与训练：根据任务选择基线模型和候选模型，进行交叉验证与超参数搜索。
4. 评估与回测：使用时间序列交叉验证、滚动回测，避免未来函数泄漏。
5. 部署与监控：将模型封装为API或嵌入式模块，监控延迟、吞吐、漂移和衰减。

其中，评估与回测是金融场景最容易出错的环节。普通机器学习常用的随机划分在金融时序中会导致严重的信息泄漏，必须采用按时间切分的验证方式。

# 时间序列交叉验证示例
from sklearn.model_selection import TimeSeriesSplit
tscv = TimeSeriesSplit(n_splits=5, test_size=60)
for train_idx, test_idx in tscv.split(X):
    X_train, X_test = X[train_idx], X[test_idx]
    y_train, y_test = y[train_idx], y[test_idx]
    model.fit(X_train, y_train)
    score = model.score(X_test, y_test)
    print(f"Fold score: {score:.4f}")

三、评估指标：精度之外的金融视角

金融模型的评估必须同时关注统计指标和业务指标。下表列出常见指标及其适用场景。

四、部署约束：轻量化需求的来源

金融模型上线时面临的约束远比实验室复杂，这些约束正是知识蒸馏与轻量化的直接驱动力。

• 延迟约束：高频交易场景要求推理延迟低于1毫秒，风控决策通常要求低于50毫秒。
• 吞吐约束：行情高峰期每秒需处理数万条请求，模型必须支持批量和并发。
• 内存与算力约束：边缘设备、嵌入式风控终端、移动端App无法承载大型模型。
• 可解释性约束：监管要求模型决策可追溯，黑盒深度模型常需配合解释模块。
• 版本与回滚约束：模型更新需支持灰度发布和快速回滚，避免策略突变。

这些约束共同决定了：一个在离线环境中表现优异的复杂模型，往往无法直接部署。此时，知识蒸馏将大模型的能力迁移到小模型，轻量化技术则进一步压缩参数量和计算量，使模型在满足业务指标的同时适配部署环境。

五、常见误区与复盘要点

在金融模型实践中，以下误区反复出现，值得在建模前就建立检查清单。

• 未来函数泄漏：使用未来信息构造特征或标准化，导致回测虚高。复盘方法：严格按时间切分，所有统计量仅用训练集计算。
• 过拟合回测：反复调参直到回测曲线完美。复盘方法：保留样本外测试集，使用滚动窗口验证。
• 忽略交易成本：策略回测未扣除手续费和滑点。复盘方法：在回测中显式建模成本，并做敏感性分析。
• 指标单一化：只看AUC或准确率，忽略KS、PSI和业务收益。复盘方法：建立多维度评估看板。
• 部署环境错配：离线模型直接上线，未考虑延迟和内存。复盘方法：上线前进行压力测试和资源画像。