标签： #模型监控

因子 IC 突然塌了、波动率悄无声息地翻倍了——这些「数据在哪一步变了」的问题，朴素的两段 t 检验只能回答「变没变」，答不出「在哪一刻」。本文用贝叶斯框架把变点（changepoint）建模成随机变量，给出它的后验分布：在我们合成的两段均值+一段方差突变序列上，精确把均值断点定位在 t=121（真值 120，偏差仅 1 步），检测率上限 0.87 远超朴素 t 检验的 0.47。附完整 Python 与五类真实陷阱（高阶）。

选股模型上线后，老板只问一句话：这个月赚的 3% 到底是谁贡献的？本文用 SHAP 把每一条预测（进而把组合 PnL）拆回单个因子与因子组，并进一步把样本按时间切片，追踪各因子 SHAP 贡献的分布漂移——漂移本身就是生产环境的预警信号。附完整 Python 实现与归因完整性自检。