《Neurocomputing》：Non-stationarity in financial time series: A taxonomy-based survey of drift detection, adaptation, and evaluation
编辑推荐：
金融预测与决策模型通常在评估窗口内分布稳定性假设下完成验证，但在实际部署中该假设往往失效：数据生成过程会经历结构性变化——包括断点、机制转换与漂移，这些现象可能导致条件关系失效、校准精度下降，并在决策最关键时期放大尾部风险。尽管相关研究体量庞大，但受限于计量经
金融预测与决策模型通常在评估窗口内分布稳定性假设下完成验证，但在实际部署中该假设往往失效：数据生成过程会经历结构性变化——包括断点、机制转换与漂移，这些现象可能导致条件关系失效、校准精度下降，并在决策最关键时期放大尾部风险。尽管相关研究体量庞大，但受限于计量经济学、统计监测与机器学习领域的术语差异及评估协议不兼容，现有成果难以实现跨领域整合。本综述通过构建基于分类体系的方法论整合框架，系统梳理金融非平稳性问题，将漂移特征与表征设计、检测算法、适应策略及评估指标间的权衡关系相关联。研究人员主要贡献包括：（1）建立漂移与机制变化的统一分类体系；（2）基于文献的结构化综述，涵盖漂移感知表征、变化检测与持续适应方法；（3）面向非平稳金融时间序列的场景化评估指南，为后续比较研究提供支撑。研究对齐了结构突变（structural breaks）、市场机制（regimes）、概念漂移（concept drift）与数据集偏移（dataset shift）等术语，并通过融合时间、统计、空间、本体与因果维度的分类体系，实现对真实漂移场景的一致性描述。基于该框架，综述回顾了漂移感知表征、变化检测方法及持续适应策略，涵盖从经典序列监测、分段算法到贝叶斯方法、多元分析与嵌入空间离群检测（out-of-distribution, OOD）的完整技术谱系。进一步整合了包含检测延迟、误报控制、计算成本与金融特定效用的评估指南，并指出了基础模型（foundation models）、多模态上下文与参数高效适应等新兴方向，以及基准设计与在线校准可靠性方面的开放挑战。
1. 引言
金融市场的动态非平稳特性源于宏观经济冲击、流动性危机、监管政策调整及市场参与者行为变迁等多重因素，表现为数据生成过程在不同统计机制间的交替切换。这种现象在文献中以概念漂移、机制变化、结构突变与异方差等多种术语被讨论，直接影响价格预测、风险管理、订单执行与资产配置等核心金融任务。非平稳性会导致预测模型性能与校准精度渐进式退化，在预序评估（prequential evaluation）框架下表现为预测误差系统性上升、决策阈值失稳及对新生机制反应滞后，尤其在风险暴露与经济决策成本高昂的场景下危害显著。解决该问题需要耦合漂移感知表征、及时变化检测与持续适应机制，同时评估体系需超越预测精度，纳入检测延迟与计算约束等维度。表征设计是基础环节，需同时捕捉内生市场动态与外生驱动因素：基于价格与成交量序列学习的嵌入（embeddings）可提炼内生行为模式，识别超越经典指标的潜在机制；而宏观经济公告、地缘政治事件与公司披露等外生信息需通过多模态输入（如新闻文本、经济指标）融入表征，为漂移检测提供经济语境，区分短暂波动与结构性机制转换。在此基础上，持续适应可通过经典机制（如遗忘因子、机制切换结构）或现代架构（如金融专用基础模型的轻量级域适应）实现，依托情境化表征平衡稳定性与响应性，提升在线预测与决策的鲁棒性。评估作为第三大支柱，需联合考量预测性能、检测速度、误报控制、计算预算与经济影响，推动构建现实可比的基准体系。当前领域研究存在理论碎片化问题，机器学习、计量经济学与量化金融的发展路径相对独立，术语体系与方法论差异阻碍了累积性证据的形成与实际应用。非平稳性的影响远超预测精度层面，波及资本配置、风险限额、对冲决策、压力测试、模型治理与监管报告等全流程，检测器响应过慢可能导致机制转换期组合风险暴露，响应过度则引发不必要的换手、交易成本与模型震荡。2020年3月股市波动率机制突变、2022年利率上行周期收益率曲线形态重构、2015年瑞郎脱钩等案例均表明，非平稳性是具有直接经济与制度后果的系统性问题。基于此，研究提出七大核心问题：非平稳性的定义与分类、内外信息融合表征、分布漂移自动检测、模型持续适应、非平稳环境下的评估指标与协议、检测方法基准化，以及当前局限与未来方向。本文贡献体现为四方面：一是构建金融时间序列漂移与机制变化的统一分类体系，对齐跨领域术语；二是围绕非平稳性刻画、漂移感知表征、变化检测、持续适应与评估五大支柱组织文献，系统综述表征学习、检测与适应方法；三是整合评估指标、时序验证协议与基准要求，强调其与漂移特征及运营假设的关联；四是识别基础模型、多模态融合、参数高效适应等前沿方向与基准建设、在线校准等开放挑战。本文定位为理论与方法论综述，旨在为后续实证比较提供概念框架与设计指南，支持选择性阅读：关注概念框架的读者可侧重分类体系与表征章节，聚焦监测与适应的读者可深入变化检测与持续学习章节，重视可复现性与基准设计的读者可关注评估协议与基准章节。
2. 漂移与机制基础及分类体系
本部分针对非平稳性定义与分类问题，构建了融合时间、统计、空间、本体四维描述性分类轴与因果解释维度的综合分类体系。时间轴刻画变化的发生模式，包括突发性漂移（如重大会计欺诈引发的瞬时波动率机制切换）、渐进性漂移（如牛熊市缓慢转换）、增量式漂移（如长期利率下行趋势）与复发性漂移（如月度期权到期、季度财报发布的周期性规律）。统计轴聚焦分布变化的构成要素，基于联合分布P(X,Y)=P(Y|X)P(X)分解，区分协变量漂移（P(X)变化，P(Y|X)近似不变）、先验/标签/目标漂移（P(Y)变化）、类条件漂移（P(X|Y)变化，P(Y)近似恒定）与概念漂移（严格意义，P(Y|X)变化，对应计量领域的结构突变）。研究明确了广义概念漂移与狭义概念漂移的术语差异，并通过对照表对齐了机器学习、计量经济学、统计学与量化金融的术语体系，同时补充了一阶漂移（位置或趋势变化）、二阶漂移（波动率或自相关变化）与多元漂移（跨资产依赖、相关性或尾部依赖性变化）的矩描述。空间轴界定变化的波及范围，分为全局漂移（如央行利率调整影响全市场定价）与局部漂移（如医药行业监管政策仅影响特定板块），并指出高频交易环境下微观结构效应会形成叠加性局部机制。本体轴揭示变化的本质属性，核心是机制（regime）概念——即数据生成系统的持续性运行模式，如牛熊市、高低波动率状态，其判定需满足持续性、区分度与可复发性三准则。除机制转换外，本体变化还包括概念演化（如ETF、加密货币期货等新标的涌现）与机制改变（如熔断机制引入改变价格形成过程）。因果维度追溯漂移驱动因素，涵盖货币政策冲击、流动性传染等外生因素，杠杆反馈、保证金追缴等内生机制，以及幌骗等对抗性行为，并通过跨资产表格展示了不同资产类别（固定收益、外汇、大宗商品、加密资产、信用市场）的非平稳性表现与观测特征。分类体系的核心价值在于方法论指引：通过场景的特征化描述，可推导适配的表征类型、检测器家族、适应机制与评估重点，例如突发性全局波动率冲击适用标准化收益、CUSUM等低延迟序列检验与风险缩放适应策略，而渐进性因子失效则需采用滚动残差监测与在线学习机制。
3. 表征与上下文
本部分针对表征构建问题，提出分层表征框架，包含内部信号、外生上下文、潜在结构与鲁棒性不变性四个递进层次。内部信号层涵盖传统统计指标与学习嵌入两类。传统指标包括滑动窗口内的位置与离散统计量（均值、分位数、已实现波动率）、时序依赖度量（自相关/偏自相关系数、单位根检验）及多尺度指标（小波分解分离短中长期运动），但其在高维非线性场景中存在局限。学习嵌入通过参数函数将时间序列映射为稠密向量，使相似市场条件在隐空间聚类，漂移表现为嵌入轨迹的位移。代表性方法包括TS2Vec（多分辨率对比学习生成鲁棒嵌入）、CARLA（注入合成异常的对比学习增强漂移敏感性）及多尺度嵌入架构（融合不同频率特征以捕捉跨时间尺度的漂移）。外生上下文层整合宏观与微观结构信息。宏观层面纳入利率、通胀、信用利差、风险厌恶指标等变量，可通过直接特征融合、状态模型外生驱动（如马尔可夫模型中用宏观变量调制转移概率）或多模态联合嵌入实现。微观结构层面针对高频数据，纳入订单流不平衡、买卖价差、订单簿深度、价格冲击与恢复力等指标，捕捉流动性压力等先于价格变化的早期信号。多模态融合层结合数值序列与文本信息，采用早融合（输入级拼接）、中间融合（跨注意力机制交互）或晚融合（决策级集成）策略，利用新闻文本等叙事信号提前捕捉未充分反映在价格中的机制变化。市场结构与跨资产依赖层将市场建模为动态图，节点代表资产/板块，边代表相关性/尾部依赖等关系，通过图神经网络（GNN）学习节点与图嵌入，捕捉危机期间相关性飙升、集群结构解体等网络拓扑变化。鲁棒性与可解释性表征层包含三类方法：一是隐状态与机制表征，如隐马尔可夫模型（HMM）、马尔可夫切换VAR（MS-VAR）生成的机制隶属概率，以及贝叶斯在线变点检测（BOCPD）输出的运行长度后验分布，提供可解释的状态概率轨迹；二是因果与不变表征，基于不变风险最小化（IRM）原理，通过环境间一致性约束筛选稳定特征，降低伪相关干扰；三是基础模型与通用嵌入，利用大规模预训练时间序列模型提取跨域通用特征，通过轻量微调适配金融场景。最后，研究提供了漂移感知表征的设计指南，针对突发冲击、渐进变化、频繁机制切换、局部漂移、叙事驱动变化与伪相关漂移六类场景，分别推荐了信号族与预警指标，并警示了相应失效模式。
4. 变化检测
本部分针对分布漂移自动检测问题，按操作逻辑将方法分为四类。分段方法（回顾性优化）旨在将历史序列划分为近似平稳段，通过最小化带惩罚的全局成本函数优化变点位置，经典算法包括Bai-Perron多重结构突变检验与Pruned Exact Linear Time（PELT）动态规划算法。其核心优势在于对历史机制边界的高精度定位，适用于探索性分析与事后验证，但无法实时运行。典型扩展包括非参数能量距离分割、Wild Binary Segmentation（WBS）多尺度候选搜索与Narrowest-Over-Threshold（NOT）窄区间优先定位等。序列方法（在线监测）则实时处理流式数据，在控制误报率前提下最小化检测延迟。经典方法包括累积和（CUSUM）检验（监测统计量偏离参考值的累积和）、Page-Hinkley检验、ADWIN（自适应滑动窗口对比）及数据洪流文献中的DDM/EDDM等错误率监测算法。此类方法需权衡检测速度与误报控制，常借助平均运行长度（ARL?）等序贯停止理论校准阈值，广泛应用于风险监控（VaR违规计数监测）与交易策略熔断机制。新兴的元学习方向通过元检测器动态推荐适配当前窗口的检测器（如ADWIN、KSWIN）或自适应调整超参数，但其金融场景实证仍需深化。贝叶斯方法通过概率建模实现不确定性量化，包含三个子家族：一是贝叶斯在线变点检测（BOCPD），递归更新运行长度后验分布，通过概率突增触发实时警报；二是回顾性贝叶斯分割（如Barry-Hartigan、Fearnhead-Liu算法），通过后验采样推断历史分段分布；三是机制切换模型（HMM、MS-VAR），通过前向-后向算法估计隐状态概率与转移矩阵，兼具经济可解释性。嵌入空间与OOD检测方法针对高维表征，通过计算嵌入分布的核最大均值差异（MMD）、域分类器置信度或重建误差识别漂移，适用于基础模型与多模态场景。多元结构依赖方法则聚焦跨资产相关性与网络拓扑变化，通过监测图嵌入演变或尾部依赖系数捕捉系统性 contagion 风险。各类方法的选择需匹配漂移特征：回顾性分析优选分段方法，低延迟预警适用序列检测，概率化状态推断适合贝叶斯框架，高维隐空间漂移则依赖嵌入与OOD技术。
5. 适应与持续学习
本部分针对模型持续适应问题，梳理了从经典到现代的适应策略。经典方法包括遗忘因子（对近期数据赋予更高权重）、滚动窗口再训练与机制切换模型（不同机制对应专用子模型）。现代深度学习架构则支持参数高效适应，如适配器（adapter）模块插入、低秩适应（LoRA）与提示微调（prompt tuning），可在降低计算成本的同时实现快速适配。集成学习通过动态加权、模型替换与记忆重放应对复发机制，例如混合专家模型（Mixture of Experts）根据不同机制激活对应子模型。持续学习策略进一步缓解灾难性遗忘，包括正则化方法（如EWC限制重要参数更新）、回放缓冲区（存储典型历史样本）与元学习初始化（学习快速适应新机制的初始参数）。适应机制的触发需与检测结果联动：突发漂移可采用临时风险缩放或阈值重校准，渐进漂移适用在线学习与滚动更新，机制切换则触发子模型切换或全模型微调。同时，适应过程需考量标签延迟、计算预算与交易成本等约束，避免过度适应噪声导致的模型震荡。
6. 评估：协议与指标
本部分针对非平稳环境下的评估体系，强调需超越静态精度指标，构建多维评估框架。检测性能维度包括检测延迟（从漂移发生到警报的时间）、误报率（ARL?）、漏报率与定位精度（回顾性场景）。适应性能维度涵盖预序损失（prequential loss）、校准漂移、恢复时间（性能回归基线所需时间）与稳定性-可塑性平衡。系统效率维度涉及计算复杂度、内存占用与标签查询成本。金融特定效用维度需纳入经济后果，如最大回撤、换手率、交易成本调整后的收益与风险价值（VaR） violation 率。评估协议必须遵循时序完整性，禁止随机划分，采用扩展窗口、滚动窗口或 Walk-Forward 验证，并区分平静期、过渡期与危机期的分段性能。针对标签延迟场景，需设计无监督评估协议，利用代理指标（如残差分布变化）替代真实标签。此外，评估需覆盖不同漂移类型（突发/渐进/复发）与资产类别，确保结论的稳健性。
7. 基准与可复现性
本部分针对基准建设的缺失问题，提出了场景化基准模板，包含三大要素：一是标准化的漂移场景库，涵盖历史危机事件（如2008年金融危机、2020年疫情崩盘）、合成漂移（可控参数生成的各类漂移）与跨资产异构场景；二是统一的评估协议，明确数据划分规则、超参数调优流程与报告指标清单；三是开源的可复现框架，规范数据预处理、表征提取、检测器与适应器的接口标准。研究呼吁社区共建包含真实市场摩擦（如交易成本、滑价、流动性限制）的基准数据集，避免算法在理想化条件下过拟合。同时强调了代码开源、随机种子固定与实验细节完整披露的必要性，以提升研究结果的可比性与累积性。
8. 讨论、研究缺口与未来方向
当前研究存在四大缺口：一是缺乏大规模标准化基准，尤其缺少包含多资产类别、多漂移类型与真实市场约束的评测体系；二是高维表征下的漂移检测理论不完善，嵌入空间的分布变化与原始空间经济含义的映射关系尚不清晰；三是在线校准可靠性不足，机制转换期的预测不确定性量化仍具挑战；四是跨领域术语与方法论的整合深度不够，计量经济学的结构突变理论与机器学习的概念漂移框架尚未实现完全互通。未来方向包括：开发金融领域专用基础模型，提升表征的迁移能力与漂移敏感性；探索多模态大语言模型（LLM）在叙事驱动漂移检测中的应用；研究参数高效适应方法，降低持续学习的内存与计算开销；构建因果表征学习框架，增强模型对伪相关漂移的鲁棒性；以及设计面向监管的审计友好型检测系统，提升模型治理透明度。
9. 结论
本综述通过构建统一分类体系，整合了金融非平稳性领域的碎片化知识，明确了表征、检测、适应与评估四大模块的关联逻辑，为跨领域研究提供了共同的概念框架。研究强调，有效的漂移管理需基于场景特征选择适配的技术组合，而非孤立应用单一方法。未来随着基础模型、多模态学习与因果推理的发展，金融非平稳性研究有望实现从被动检测到主动适应的范式升级，但前提是建立严谨的基准体系与评估标准。本文提出的分类框架与方法论指南，可为后续实证研究、算法开发与监管实践提供系统性参考。
