入门 · 12讲数据工程平稳性数据漂移模型失效量化数据
量化数据里的平稳性和漂移到底在影响什么？
讲解数据平稳性与分布漂移在量化研究中的影响，帮助研究者更早识别模型失效来源。
很多研究默认训练样本和未来样本来自同一种分布，但真实市场里波动、成交结构、相关性和基本面状态都会逐步漂移。
一旦输入分布变化，原来有效的标准化、窗口、特征和模型参数就可能开始失配，最终表现为样本外衰减和风控边界失真。
- 样本分布不会永远稳定
- 漂移监控应当常态化
- 模型更新要服从漂移证据
更稳的处理方式是什么
更稳的做法是持续监控特征分布、目标分布和关键暴露变化，并根据漂移程度决定是否重训、换模型或调整特征工程。
承认数据会漂移，是机器学习量化真正进入现实的开始。
资料与阅读边界
本文为方法讨论与教学说明。文中示例不等于经独立验证的收益实证；如需具体数据、计算口径或资料来源，可通过官方渠道提出核对请求。
历史结果不代表未来表现。使用前请检查数据时间边界、样本独立性、交易成本及适用条件。
关键结论
- 数据漂移会直接改变模型有效性
- 平稳性假设越强，越要警惕现实偏离
- 监控分布变化是长期运行的基础
关联课程
如果你想把这篇文章里的方法系统化学习，可以从这些课程继续深入。
