1. 课程导论：PSI与IC联合监控的背景、重要性及整体框架
1.1 为什么需要监控因子漂移？
在量化投资与风控模型中，因子（Factor）是预测资产收益的核心变量。然而，市场环境、投资者行为与数据生成过程并非一成不变。因子在训练集与测试集、历史窗口与当前窗口之间的统计分布变化，被称为因子漂移。若不加以监控，模型将面临严重的过时风险与预测失效。
核心痛点：单一监控指标往往存在盲区。例如，仅看群体稳定性指标（PSI）可能忽略因子排序能力的突变；仅看信息系数（IC）可能无法捕捉分布形态的细微偏移。因此，需要将两者联合使用。
1.2 PSI与IC的核心定义与互补逻辑
| 监控维度 | 指标 | 衡量对象 | 典型阈值 | 盲区 |
|---|---|---|---|---|
| 分布稳定性 | PSI（群体稳定性指标） | 因子值在时间窗口间的概率分布偏移程度 | PSI < 0.1 稳定；0.1~0.25 需关注；> 0.25 严重漂移 | 分布稳定但排序能力丧失 |
| 预测能力 | IC（信息系数） | 因子值与未来收益的秩相关性（Rank Correlation） | |IC| > 0.02 有效；IC 波动率 < 0.05 稳定 | IC 高但分布已偏移，未来可能失效 |
互补逻辑：PSI 负责“体检”——检查因子数据是否还来自同一总体；IC 负责“绩效”——检查因子是否还能赚钱。两者结合，才能全面评估因子的健康状态。
1.3 联合监控的整体框架
本课程采用四层监控架构，从数据输入到决策输出形成闭环：
- 数据层：采集因子原始值、时间戳、截面标签，完成缺失值与异常值清洗。
- 计算层：并行计算 PSI（分箱法/密度法）与 IC（Spearman Rank Correlation）。
- 诊断层：构建 PSI-IC 联合矩阵，将因子划分为四个象限：健康、预警、衰退、危险。
- 行动层：根据象限触发不同动作——重训练、因子降权、剔除或紧急熔断。
1.4 PSI-IC 联合矩阵：四象限诊断逻辑
将 PSI 与 IC 的监控结果交叉，形成以下决策矩阵：
| 象限 | PSI 状态 | IC 状态 | 诊断结论 | 推荐动作 |
|---|---|---|---|---|
| 健康区 | PSI < 0.1 | |IC| > 0.02 且稳定 | 因子正常，分布与预测能力均良好 | 维持权重，常规监控 |
| 预警区 | PSI < 0.1 | |IC| 下降或波动增大 | 分布稳定但预测能力衰减，可能因子失效前兆 | 降低权重，排查因子逻辑 |
| 衰退区 | PSI > 0.1 | |IC| > 0.02 仍有效 | 分布已偏移但当前仍能预测，未来风险高 | 准备重训练，监控 IC 趋势 |
| 危险区 | PSI > 0.25 | |IC| 接近 0 或为负 | 分布严重偏移且预测能力丧失 | 立即剔除因子，触发熔断 |
实战提示：在日频监控中，建议使用滚动窗口（如过去 60 个交易日）计算 PSI 与 IC，并设置 5 日移动平均平滑信号，避免单日噪声导致误判。
1.5 课程整体路线图
本教程共 30 章，按以下模块递进：
- 基础篇（第 1-5 章）：PSI 与 IC 的数学原理、计算细节与 Python 实现。
- 进阶篇（第 6-12 章）：联合监控框架搭建、阈值自适应、多因子场景处理。
- 实战篇（第 13-22 章）：真实市场数据回测、异常检测、可视化仪表盘构建。
- 高阶篇（第 23-30 章）：机器学习辅助漂移预测、分布式监控系统、生产环境部署。
前置要求：建议学习者具备 Python 基础、Pandas 数据处理经验，以及基本的统计学知识（如分布、分位数、相关性）。每章均提供可运行的代码示例与数据集。