有没有办法在性能明显下降之前就感知到环境的变化？有几类信号值得关注。

1. 特征空间漂移。可以计算训练集与近期滚动窗口的特征分布之间的 Wasserstein 距离或 PSI。当这些指标超过历史分布的较大分位数时，说明模型面对的环境已经不再熟悉。

2. 预测残差的序列相关性。当市场结构变化时，模型的预测误差会出现系统性模式。Ljung-Box 检验可以检测这种自相关。不过，Ljung-Box假设残差独立同分布，而金融残差通常存在异方差。对此，更稳健的做法是用 Newey-West 调整后的 Q 统计量。当检验 p 值连续低于某个阈值时，模型的结构性失效可能已经开始。

3. 模型校准与置信度的背离。当模型给出高置信度预测，但实际正确率很低时，说明模型的概率校准已经漂移。这通常是比预测误差更早的预警。