因子是会过期的。一个因子上个月 IC 0.08、多空 Sharpe 3.0，这个月还在跑，但下个月开始悄悄亏钱——这是量化研究里最贵的事故之一。问题不在于因子”错了”，而在于它和市场的关系变了：这叫概念漂移（concept drift）。
更坑的是，你用来”盯因子还灵不灵”的很多指标，盯的根本不是同一个东西。本文用一个可控合成实验，把”概念漂移”和”协变量漂移”拆开，告诉你该用性能监控（IC 类）还是分布监控（PSI/KL 类），并对比四种检测器在延迟与误报上的真实权衡，最后给你一套能早几周救回组合的双轨预警。
一、先分清两种漂移#
设因子暴露为 X，收益为 y，关系 y = β·X + ε。
- 概念漂移（concept drift）：β 变了，即 P(y|X) 变了。X 的边际分布没动，但因子对收益的预测力塌了。例：动量因子在 regime 切换后失效、价值因子在成长股长牛里被踩扁。
- 协变量漂移（covariate shift）：X 的边际分布变了（均值/方差漂移），但 β 没变。例：数据口径换了、某板块被纳入指数导致因子值整体抬升、涨跌停规则改了让因子分布变形。
这一点至关重要：监控 X 的分布（PSI/KL）抓得到协变量漂移，却抓不到概念漂移——因为概念漂移里 X 根本没变。下面用实验证明，并给出”救回组合”的处置流程。
二、用滚动 IC 看因子失效#
合成数据：XN(0,1)，y = β·X + ε，εN(0,0.04)；前 500 天 β=0.05（因子有效），第 500 天起 β 衰减到 0.012（因子”半死”），共 1000 天。滚动 60 日 IC 如下：
import numpy as np
N, DRIFT, WIN = 1000, 500, 60
rng = np.random.default_rng(20260712)
X = rng.normal(0, 1, N)
beta = np.where(np.arange(N) < DRIFT, 0.05, 0.012)
y = beta * X + rng.normal(0, 0.04, N)
def rolling_ic(X, y, w=WIN):
out = np.full(len(X), np.nan)
for t in range(w, len(X)):
out[t] = np.corrcoef(X[t-w:t], y[t-w:t])[0, 1]
return out
ic = rolling_ic(X, y)
pre, post = np.nanmean(ic[WIN:DRIFT]), np.nanmean(ic[DRIFT+WIN:])
print(f"漂移前 IC={pre:.4f} 漂移后 IC={post:.4f} 衰减{(1-post/pre)*100:.1f}%")实测：漂移前平均 IC=0.7607，漂移后0.2858，衰减 62.4%。注意这里用的是”因子暴露与收益的相关系数”作为 IC 的代理（合成数据里 β 直接是系数，所以 IC 很高）；实盘里 IC 通常小一个数量级，但”下台阶”的形状一模一样。
图里的 −2σ 控制带是漂移前的基准。IC 在 t=500 之后系统性跌破下轨——这就是概念漂移在性能监控上的”指纹”，也是你该开始警觉的时刻。
三、分布监控的盲区：PSI/KL 为什么抓不到概念漂移#
现在分别对 X（因子分布）算 PSI 和 KL 散度，基准取漂移前 250 天。关键看两件事：概念漂移场景（X 不变）和协变量漂移场景（X 均值 0→0.3，β 不变）。
def psi(expected, actual, bins=8):
edges = np.quantile(expected, np.linspace(0, 1, bins+1))
edges[0] -= 1e-9; edges[-1] += 1e-9
e = np.histogram(expected, bins=edges)[0] / len(expected)
a = np.histogram(actual, bins=edges)[0] / len(actual)
e = np.clip(e, 1e-6, None); a = np.clip(a, 1e-6, None)
return np.sum((a - e) * np.log(a / e))
def kl_gauss(x_ref, x_new):
edges = np.linspace(min(x_ref.min(), x_new.min())-0.5,
max(x_ref.max(), x_new.max())+0.5, 21)
p = np.histogram(x_ref, bins=edges)[0] + 1e-6
q = np.histogram(x_new, bins=edges)[0] + 1e-6
p, q = p/p.sum(), q/q.sum()
return np.sum(p * np.log(p / q))实验结果：
- 概念漂移场景：PSI 峰值 1.785，但出现在 t≈695——随机散布，并不在漂移点 t=500。这些偶发尖峰是 60 日窗 + 分箱稀疏导致的空箱噪声，不是真漂移信号。换句话说，X 的分布没变，PSI 自然不会在 t=500 系统性抬升 → 漏报。
- 协变量漂移场景：X 均值从 0 移到 0.3，PSI 峰值 0.508、KL 峰值 2.154，两者都在 t=500 处系统性抬升 → 抓住。
这张双面板图是全文的核心教训：上图里 IC（右轴）在 t=500 明显下台阶，PSI（左轴）却毫无反应——因为概念漂移里 X 没动；下图里 X 一动，PSI/KL 立刻跳起来。 所以 PSI/KL 是”协变量漂移检测器”，不是”因子有效性检测器”。用 PSI 去监控一个因子的预测力，等于用体温计量血压。
实务补充：PSI 的经验阈值是 0 < PSI < 0.1 轻微、0.1~0.25 中等、>0.25 强漂移——但这是针对协变量漂移；对概念漂移它根本不反应。别因为”PSI 没超 0.25”就放心，那只能说明 X 分布没变，不代表因子还灵。
四、性能监控检测器对比：谁更早、谁更稳#
既然概念漂移要盯性能（IC），那用哪种序列监控最快、最稳？在上面概念漂移数据上，用 150 次蒙特卡洛对比四种方案（都以漂移前滚动 IC 为基准，采用运行规则抑制噪声误报；误报率 = 漂移前处于报警状态的点数占比）：
| 检测器 | 平均检测延迟（天） | 漂移前误报率 |
|---|---|---|
| Shewhart 单点（3σ） | 22.7 | 0.26% |
| Shewhart 2-of-3 | 24.2 | 0.18% |
| CUSUM（k=0.30, h=1.5） | 62.6 | 0.00% |
| EWMA（60 日窗） | 28.5 | 0.12% |
| EWMA（20 日窗） | 18.6 | 0.61% |
def alarm_state(ic, mu, sd, method, win=60, L=3.0, k=0.30, h=1.5, lam=0.2, Lc=3.0, run=3):
n = len(ic); alarm = np.zeros(n, dtype=bool)
if method == "shewhart_raw":
return ic < (mu - L*sd)
if method == "shewhart": # 2-of-3 运行规则
below = ic < (mu - L*sd)
for t in range(2, n):
if below[t] and (below[t-1] or below[t-2]):
alarm[t] = True
return alarm
if method == "cusum": # 向下累计和
S = 0.0
for t in range(n):
if np.isnan(ic[t]): continue
S = max(0.0, S + (mu - ic[t] - k))
if S > h: alarm[t] = True
return alarm
if method == "ewma": # EWMA + 连续 run 规则
z = ic[win]; zh = np.full(n, np.nan); zh[win] = z
for t in range(win+1, n):
z = lam*ic[t] + (1-lam)*z; zh[t] = z
sd_z = np.nanstd(zh[win:500]) # 用漂移前经验 std 设限（IC 自相关，不能套公式）
below = zh < (mu - Lc*sd_z)
for t in range(run-1, n):
if np.all(below[t-run+1:t+1]): alarm[t] = True
return alarm
读这张图要抓住三点：
- 全部低误报。 运行规则 + 3σ 把漂移前误报压到 1% 以内，CUSUM 甚至 0.00%——这些检测器不会”狼来了”。
- 延迟主要被滚动 IC 的窗长决定。 60 日 IC 要等窗口一半进入漂移段（约 t=560）才真正下台阶，所以再灵敏的检测器也得等 IC 先动。这不是检测器的锅，是监控信号本身的滞后。
- 窗越短越快、但噪声越大。 20 日窗 EWMA 延迟 18.6 天、误报 0.61%；60 日窗 EWMA 延迟 28.5 天、误报仅 0.12%。CUSUM 因阈值保守（要累计足够大的偏移才报警），延迟最长 62.6 天——这是”少误报 vs 早发现”的取舍，k/h 调小就能更快但更易误报。
五、报警之后：怎么救回组合#
监控的价值不在于”发现漂移”，而在于”发现之后怎么处置”。一个能救回组合的标准动作：
- 第一步，区分漂移类型。 看 PSI/KL 是否也跳了。跳了 → 协变量漂移（数据/口径问题，可修复，先修数据管线）；没跳 → 真概念漂移（关系坏了，该降权）。
- 第二步，用滚动样本外确认。 拿漂移点之后的窗口做样本外回测，而不是拿全样本自欺。确认 IC 真的塌了，而不是某几天噪点。
- 第三步，分级响应。 轻微衰减缓一档权重、中等衰减免半仓、确认坏死再暂停。不要一响就砍——误报虽低，但砍错因子的机会成本也高。
- 第四步，记录与复盘。 把每次漂移的日期、幅度、处置写进因子台账，长期积累出每个因子的”寿命分布”，下次就能设更聪明的阈值。
多因子组合本身能”天然”降低单一因子漂移冲击：20 个低相关因子等权，某一个塌了组合 IC 只掉一小块，给你留出反应时间。所以监控要分两层——单因子层盯各自 IC 与 PSI，组合层盯整体 IC/Sharpe 的滚动表现。组合层报警时，再下钻到单因子定位”是谁坏了”。
六、真实陷阱（别踩）#
- 陷阱 1：只监控收益不监控 IC。 市场整体上涨时，因子多空可能还在赚，但 IC 早已塌了——收益被 Beta 掩盖，等你发现时已亏一截。
- 陷阱 2：用 PSI 监控因子有效性。 最常见的张冠李戴：PSI 看 X 分布，概念漂移里 X 不变，所以 PSI 静悄悄→你以为因子还活着。
- 陷阱 3：窗口太长发现太晚。 用 250 日 IC 做监控，漂移发生半年后才报警，黄花菜都凉了。
- 陷阱 4：忽略多重检验。 同时监控 50 个因子，每个 1% 月误报率，整体几乎必有误报。要按因子数做误报率校正（Bonferroni / FDR）。
- 陷阱 5：样本外被漂移污染。 漂移点之后的数据，标签分布已变，拿它做”验证因子还行”的回测是自欺。
- 陷阱 6：用未来定阈值。 拿包含漂移段的全样本算 IC 均值当基准，等于把答案写进题目。
- 陷阱 7：把漂移当噪声过滤掉。 重度平滑（季度滚动均值）会把漂移平滑掉，等发现时已成回撤。必须用运行规则而非长平滑来兼顾两者。
小结#
因子失效的本质是概念漂移：β 变、X 不变。因此盯因子还灵不灵，要盯性能（IC/多空收益），而不是因子分布（PSI/KL 只管协变量漂移）。性能监控里，运行规则能把误报压到 1% 以内，检测延迟主要取决于你用的 IC 窗口长度——想早发现就缩短窗口，代价是噪声上升。把”双轨监控 + 运行规则 + 阈值校准 + 分级响应”接进因子生产流水线，因子过期时能早几周发现，而这几周往往就是回撤和保命的差别。
全部数字由文中逻辑真实计算：合成 β 从 0.05 衰减到 0.012（t=500，N=1000，WIN=60）；PSI 用 8 分箱、60 日窗；检测器对比为 150 次蒙特卡洛，误报率定义为漂移前处于报警状态的点数占比。