1. 课程导论：策略版本管理与 PSI 漂移监控的重要性
1.1 为什么量化策略需要版本管理与漂移监控？
在量化交易与机器学习驱动的策略生产中，策略并非“一次开发、永久运行”。市场微观结构变化、数据分布迁移、特征失效、参数过拟合等问题，会导致策略在实盘环境中的表现与回测结果产生显著偏差。缺乏系统化的版本管理与 PSI（Population Stability Index，群体稳定性指标）漂移监控，策略迭代将陷入以下困境：
- 回测与实盘背离：无法快速定位是数据问题、特征分布变化还是模型参数失效导致绩效下降。
- 迭代混乱：多个策略版本同时运行，缺乏统一的版本记录、回滚机制与对比基线。
- 风险失控：特征分布或模型输出的 PSI 超过阈值时，未能及时告警，导致持续亏损。
- 合规与审计缺失：无法追溯每个策略版本的上线时间、参数配置、数据依赖与回测结果。
核心观点：策略版本管理是量化策略工程化的基石，PSI 漂移监控是策略持续有效的“生命线”。两者结合，才能构建可追溯、可回滚、可预警的稳健策略生产体系。
1.2 课程目标与适用人群
| 维度 | 具体说明 |
|---|---|
| 课程总目标 | 掌握策略版本管理的工程化方法（Git + 元数据 + 回测基线），以及 PSI 漂移监控的完整流程（计算、阈值设定、告警、归因分析）。 |
| 适用人群 | 量化研究员、机器学习工程师、策略运维人员、风控分析师、技术负责人。 |
| 前置知识 | 熟悉 Python 基础、pandas/numpy、基本统计概念（均值、方差、分位数）；了解 Git 基本操作；对量化策略回测与实盘流程有初步认知。 |
| 学习收益 | 能够独立搭建策略版本管理流程，实现 PSI 漂移的自动化监控与告警，提升策略迭代效率与风险控制能力。 |
1.3 整体知识体系概览
本课程共分为 6 大模块，覆盖从基础概念到生产落地的完整链路：
- 基础概念与工具：策略版本管理的核心要素（代码、数据、参数、回测结果）；PSI 的数学定义与计算逻辑。
- 策略版本管理实战：基于 Git 的分支策略、版本标签规范、元数据记录（YAML/JSON）、回测基线对比。
- PSI 漂移监控实现：特征级与模型输出级 PSI 计算、分箱策略、阈值设定（行业经验值 + 动态阈值）。
- 告警与归因分析：多级告警机制（邮件、企业微信、钉钉）、漂移归因（特征贡献度、分箱变化可视化）。
- 生产环境集成：与回测平台、实盘交易系统、数据管道的对接；定时任务调度（Airflow / Cron）。
- 案例与最佳实践：真实策略漂移案例复盘、版本回滚决策流程、监控看板设计。
1.4 为什么选择 PSI 作为漂移监控指标？
PSI 是量化风控与模型监控领域最广泛使用的分布稳定性指标之一。与 KS 统计量、KL 散度等指标相比，PSI 具有以下优势：
| 指标 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| PSI | 特征分布 / 模型输出分箱对比 | 对分布偏移敏感、阈值经验成熟（0.1/0.25）、易于解释 | 对分箱数量敏感，需合理选择分箱策略 |
| KS 统计量 | 二分类模型区分度评估 | 无参数假设、直观 | 对尾部偏移不敏感，不适合多分类 |
| KL 散度 | 概率分布差异度量 | 信息论基础扎实 | 不对称、无上界、阈值难统一 |
| Wasserstein 距离 | 连续分布差异度量 | 考虑分布几何结构 | 计算成本高、阈值设定复杂 |
实践建议：在策略监控初期，优先使用 PSI 作为第一道防线。当 PSI 超过 0.25 时，再结合 KS 或 KL 散度进行深入归因分析。
1.5 课程学习路径与交付物
完成本课程后，你将能够独立交付以下成果：
- 策略版本管理规范文档：包含 Git 分支策略、版本号命名规则、元数据模板。
- PSI 监控脚本库：支持特征级与模型输出级 PSI 计算，自动生成漂移报告。
- 告警配置模板：对接企业微信/钉钉/邮件，支持多级阈值告警。
- 归因分析看板：基于分箱变化可视化，快速定位漂移来源。
- 生产集成方案：与回测平台、实盘交易系统的对接代码与调度配置。
重要提醒：本课程所有代码与配置均基于 Python 3.8+ 与常见开源工具（pandas、numpy、scikit-learn、GitPython、Airflow）。请确保学习环境已安装上述依赖，避免因环境问题影响实战进度。