Feature-Drift ist die schleichende Verschiebung der Verteilung von Eingabemerkmalen zwischen Trainings- und Anwendungszeitraum. Das Modell selbst bleibt unverändert, aber die Daten, die es sieht, kommen aus einer anderen Verteilung als der, mit der es gelernt hat.
Wie der Fehler entsteht
Marktregime ändern sich, Volatilitätsniveaus verschieben sich, und Sektorgewichte in einem Universum wandern. Was im Training eine seltene Konstellation war, kann im Einsatz der Normalfall werden – oder umgekehrt. Hinzu kommen methodische Verschiebungen: Eine Datenlieferantenänderung, eine geänderte Indexdefinition oder eine neue Klassifikation verschieben die Verteilung, ohne dass ein Wert formal falsch ist.
Was der Fehler im Betrieb bewirkt
Feature-Drift führt zu einer schleichenden Verschlechterung, die oft erst spät erkannt wird, weil die Metrik im Training unverändert gut aussieht. Die Vorhersagegüte im Einsatz sinkt, Kalibrierung und Rangfolge lösen sich auf, und Risikoindikatoren reagieren verzögert.
Wie der Fehler zu überwachen ist
Zwei Bausteine helfen: eine fortlaufende Verteilungsüberwachung, die für jedes Merkmal Trainings- und Anwendungsverteilung vergleicht (etwa über PSI oder KS-Distanz), und eine Schwellwertlogik, die eine Verschiebung meldet, bevor sie sich in der Ergebnisqualität niederschlägt. Ein Trainings-Fenster, das zu lang ist, vergrößert die Drift; ein zu kurzes verringert die Stichprobe. Die Wahl des Fensters ist selbst ein Qualitätsmerkmal.
Leseprobe
Ein Modell veraltet nicht, weil es älter wird. Es veraltet, weil die Daten, die es sieht, nicht mehr die sind, mit denen es gelernt hat.
Beobachtungen zu Drift-Maßen oder zur Fensterwahl senden Sie uns bitte über die Kontaktseite.