1. 课程导入

信贷模型不是一次性交付的软件，而是一套持续暴露在真实业务环境中的决策系统。模型上线那一刻，训练数据的分布、客群结构、宏观环境、渠道策略都只是当时的快照。随着时间推移，申请人群变化、欺诈手法演化、授信政策调整、外部经济波动，都会让模型从“当时最优”逐渐滑向“当前次优”。本课程要解决的核心问题不是如何训练一个模型，而是如何判断模型是否还稳定、何时需要重训、以及如何把重训触发做成可落地、可审计、可复盘的工程机制。

学习目标

完成本课程后，学员应能达成以下四类目标：

• 认知层：理解模型稳定性的本质是“模型输入分布、输出分布与业务效果三者随时间的一致性”，而非单一指标不下降。
• 方法层：掌握PSI、KS漂移、评分分布迁移、特征贡献变化、坏账率回溯等监控手段的适用边界与组合方式。
• 工程层：能够设计监控指标采集、阈值告警、重训触发、模型回滚与灰度发布的完整链路。
• 决策层：能够在业务成本、风险敞口、合规要求和模型迭代频率之间做出可解释的触发决策。

核心概念：稳定性、漂移与触发

在信贷风控语境中，模型稳定性指模型在时间维度上保持其区分能力和校准能力的能力。它包含三个层面：数据稳定性（输入特征分布是否偏移）、模型稳定性（评分分布和排序能力是否变化）、业务稳定性（通过率、坏账率、回收率等是否偏离预期）。

漂移是稳定性的反面。常见漂移包括：

• 特征漂移：某个入模特征的人群分布发生变化，例如收入字段缺失率从5%升至20%。
• 标签漂移：违约定义或表现期口径变化，导致标签分布改变。
• 概念漂移：特征与违约之间的真实关系发生变化，例如某类客群在经济下行期风险显著上升。
• 评分漂移：模型输出分数整体偏移，导致通过率或额度分布异常。

重训触发不是“指标一报警就重训”，而是基于监控证据、业务影响和成本收益判断后，决定是否启动数据刷新、模型再训练、规则补偿或回滚。触发机制的核心是可解释、可追溯、可分级。

整体框架：从监控到触发的闭环

本课程将围绕一个五层闭环展开，后续章节会逐层深入：

1. 数据层：采集申请、行为、还款、外部征信等数据，建立特征与标签的时间切片。
2. 监控层：计算PSI、KS、AUC、评分均值/方差、特征缺失率、拒绝推断偏差等指标。
3. 告警层：设定静态阈值与动态基线，区分提示、警告、严重三级。
4. 决策层：结合业务影响评估，决定观察、补偿、重训、回滚或人工介入。
5. 执行层：完成重训、验证、审批、灰度、全量与归档，并记录触发原因和效果。

为了更直观地理解监控指标与触发动作之间的对应关系，下表给出一个简化但实用的分级清单：

监控指标	典型阈值示例	业务含义	建议动作
评分PSI	<0.1 稳定；0.1~0.25 关注；>0.25 严重	评分分布迁移程度	关注级：加密监控；严重级：启动重训评估
KS下降幅度	较基线下降>15%	区分能力衰减	排查特征与客群，准备重训
特征缺失率	较基线上升>10个百分点	数据采集或渠道异常	先修数据链路，再评估模型
通过率偏移	偏离预算>20%	策略或模型输出异常	检查评分分布与阈值
坏账率回溯	连续两期超预期上限	风险成本上升	紧急重训或收紧策略

案例场景：一次典型的触发决策

假设某现金贷模型上线6个月，第5个月监控发现评分PSI从0.08升至0.31，KS从0.42降至0.33，同时新客占比从35%升至58%。业务侧通过率未明显变化，但早期逾期率上升了0.8个百分点。此时不应直接全量重训，而应按以下顺序处理：

1. 确认数据质量：检查新客渠道字段缺失率、外部数据返回率是否异常。
2. 拆分客群：分别计算新客与老客的PSI和KS，判断漂移是否集中在特定群体。
3. 评估业务影响：测算当前模型若维持不变，未来3个月预期坏账增加额。
4. 制定候选动作：
   - 动作A：对新客群体单独重训子模型；
   - 动作B：调整评分卡阈值，临时收紧通过率；
   - 动作C：全量重训并灰度发布。
5. 选择动作并记录触发原因、预期效果和回滚条件。

这个案例说明，重训触发是一个诊断—评估—决策—执行的过程，而不是单一阈值判断。后续章节会提供具体的PSI计算、KS监控、触发规则配置和重训流水线代码。

常见误区与复盘

在信贷模型稳定性管理中，以下误区非常普遍：

• 误区一：只看KS，不看校准。KS高但评分校准偏移，会导致通过率和额度策略失真。
• 误区二：PSI报警就立即重训。PSI对样本量和分箱敏感，需结合业务影响判断。
• 误区三：重训后不监控。重训模型同样会漂移，且可能因数据穿越或样本偏差引入新问题。
• 误区四：忽略标签延迟。信贷标签有表现期，监控指标必须区分“已成熟”和“未成熟”样本。
• 误区五：没有回滚方案。重训模型上线后若效果不及预期，必须能快速回滚到上一版本。

实战价值