4. 模型衰退的定义与成因
信贷模型上线不是终点，而是监控周期的起点。所谓模型衰退，是指模型在训练期学到的输入与输出之间的映射关系，随着时间推移在真实业务环境中逐渐失效，导致区分能力下降、排序失真、校准偏移，最终表现为通过率异常、坏账率上升或收益不达预期。理解衰退，关键不是记住几个名词，而是建立一条因果链：什么变了 → 模型看到的信号变了 → 决策结果变了 → 风险与收益变了。
一、核心原理：模型衰退的六类成因
从工程视角看，衰退通常由六类因素单独或叠加驱动。它们并非互斥，真实场景中往往是“数据漂移先出现，概念漂移随后被验证，客群变化放大影响，策略调整改变样本分布，宏观波动触发系统性偏移，模型老化让一切加速”。
| 成因类型 | 本质变化 | 典型信号 | 对坏账的影响路径 |
|---|---|---|---|
| 数据漂移 | 输入特征分布 P(X) 变化 | PSI 升高、缺失率突变、分箱占比迁移 | 评分整体偏移，阈值附近客群被错误放行或拒绝 |
| 概念漂移 | 输入与违约关系 P(Y|X) 变化 | 同一评分段的坏账率显著上升 | 模型排序仍稳定但校准失效，高风险被低估 |
| 客群变化 | 准入人群结构改变 | 年龄、渠道、额度使用率分布迁移 | 模型在旧客群上有效，在新客群上外推失败 |
| 策略调整 | 审批、定价、额度策略变更 | 通过率跳变、拒绝推断偏差扩大 | 样本选择偏差导致监控指标失真 |
| 宏观经济波动 | 系统性风险因子变化 | 行业性逾期上升、共债指标恶化 | 整体坏账抬升，模型区分度被压缩 |
| 模型老化 | 训练样本时效性衰减 | KS 缓慢下降、PSI 持续累积 | 长期未迭代，模型对近期风险不敏感 |
关键区分：数据漂移看 P(X)，概念漂移看 P(Y|X)。前者是“输入变了”，后者是“规律变了”。只监控 PSI 会漏掉概念漂移；只监控 KS 会漏掉校准偏移。两者必须同时纳入监控体系。
二、方法流程：从监控到归因的闭环
识别衰退不能靠单点指标，而应建立“分层监控—归因定位—验证确认—处置迭代”的闭环。以下流程可直接落地为监控看板与告警规则。
- 输入层监控：对每个入模特征计算 PSI、缺失率、均值/分位数变化，按周或按月对比训练基准。
- 输出层监控：跟踪评分分布、通过率、阈值附近密度，识别评分整体平移。
- 表现层监控：按账龄滚动计算 KS、AUC、坏账率、校准曲线，区分“排序能力”与“绝对风险”。
- 归因定位：若 PSI 高但 KS 稳，偏数据漂移；若同分段坏账率上升，偏概念漂移；若新客群占比突增，偏客群变化。
- 验证确认：用近期样本做回溯测试，对比新旧模型在相同客群上的表现差异。
- 处置迭代：根据严重程度选择重校准、阈值调整、特征替换、重新训练或策略兜底。
# 示例：月度监控核心指标计算（伪代码）
for month in months:
psi = compute_psi(train_dist, month_dist)
ks = compute_ks(month_label, month_score)
bad_rate = month_label.mean()
calib_gap = abs(mean(month_score) - mean(month_label))
if psi > 0.25 or ks < ks_baseline * 0.8:
alert("模型衰退预警", month, psi, ks, bad_rate)
三、案例/场景：一次典型的坏账率上升复盘
某消费信贷产品在第三季度发现坏账率环比上升 1.8 个百分点。初步排查显示模型 KS 仅下降 0.02，看似“模型没坏”。但进一步分层监控发现：
- 近三个月新渠道进件占比从 12% 升至 31%，该渠道客群在训练样本中覆盖不足；
- “近 6 个月查询次数”特征 PSI 达到 0.31，高分箱占比明显右移；
- 同一评分段的实际坏账率上升 40%，说明概念漂移已经发生；
- 同期宏观共债指标恶化，行业性风险抬升。
复盘结论：这不是单一模型老化，而是客群变化 + 数据漂移 + 概念漂移 + 宏观波动的叠加。若只看整体 KS，会误判为“模型仍可用”；若只看坏账率，又会误判为“策略过松”。正确做法是分层归因，先确认新渠道客群是否需要独立模型或准入限制，再对查询类特征做时效性重训，最后用校准模块修正绝对风险。
实操建议：监控指标要分“渠道、客群、评分段”三层下钻。整体指标稳定不代表局部稳定，坏账上升往往先在某个子客群暴露。
四、误区与复盘：常见认知陷阱
在模型衰退管理中，以下误区最容易导致处置延迟或误判：
- 误区一：KS 没降就是没衰退。KS 衡量排序能力，不衡量校准。评分整体偏高但排序不变时，KS 可能稳定，坏账却已上升。
- 误区二：PSI 高就必须重训。PSI 高只说明输入分布变了，若业务逻辑合理且表现稳定，可先观察或重校准，不必立即重训。
- 误区三：坏账上升就是模型问题。策略调整、宏观波动、催收变化都会影响坏账，需先排除非模型因素。
- 误区四：重训一次就一劳永逸。模型老化是持续过程，需建立定期重训与触发式重训双机制。
- 误区五：忽略拒绝推断。策略调整后通过样本分布改变，监控指标可能失真，必须做拒绝推断校正。
复盘要点：任何一次坏账率异常，都应回答三个问题——是输入变了、规律变了，还是客群变了？只有定位到具体成因，处置动作才不会“一刀切”。
综上，模型衰退不是单一故障，而是数据、业务、宏观与时间共同作用的结果。掌握六类成因的区分与归因方法，才能把“坏账率监控”从被动报警升级为主动管理。