📚 课程目录第3章金融模型生命周期

3. 金融模型生命周期

在金融模型Serving端到端项目中，模型不是“训练完就结束”的一次性产物，而是一条贯穿数据、特征、训练、评估、部署与监控的完整生命周期。理解这条生命周期的价值在于：它让团队知道每个阶段交付什么、由谁负责、失败时回退到哪里。金融场景对可追溯性、合规性和稳定性要求极高，因此生命周期管理本身就是模型能否上线的核心能力。

核心原理：生命周期是一条带反馈的闭环

金融模型生命周期通常包含六个阶段：数据准备、特征工程、模型训练、模型评估、部署上线、监控与迭代。它们并非单向流水线，而是通过反馈回路持续修正。例如线上监控发现某特征分布漂移，会触发特征工程重做；评估发现某客群AUC下降，会回到训练阶段调整样本权重。关键角色也随之贯穿全程：数据工程师负责数据接入与质量，特征工程师负责特征口径与时效，算法工程师负责建模与调参，风控/业务专家负责定义标签与阈值，MLOps工程师负责部署与监控，合规与审计角色负责留痕与解释。

方法流程：每个阶段的交付物与关键角色

数据准备阶段的核心是“可信”。数据工程师需要完成数据接入、去重、缺失处理、时间对齐和标签生成。金融场景中标签往往有表现期，例如“未来90天是否逾期”，因此必须严格按时间切分，避免未来信息泄露。特征工程阶段由特征工程师主导，重点解决口径一致性和线上线下一体化。常见做法是用特征平台统一注册特征，训练时用离线特征，Serving时用在线特征，保证同源同口径。模型训练阶段由算法工程师负责，需固定随机种子、记录超参数、保存模型版本。模型评估阶段不仅看AUC、KS，还要看PSI、跨时间稳定性、客群公平性和业务可解释性。部署上线阶段由MLOps工程师完成模型打包、接口封装、灰度发布和回滚预案。监控迭代阶段则持续跟踪输入分布、输出分布和业务指标。

阶段	核心交付物	关键角色	典型风险
数据准备	样本表、标签表、数据字典	数据工程师、风控专家	标签泄露、样本偏差
特征工程	特征注册表、离线/在线特征	特征工程师	线上线下口径不一致
模型训练	模型文件、超参记录、实验日志	算法工程师	过拟合、不可复现
模型评估	评估报告、阈值建议、解释材料	算法工程师、合规	只看离线指标、忽略稳定性
部署上线	Serving接口、灰度策略、回滚包	MLOps工程师	性能不足、版本错配
监控迭代	监控看板、告警规则、重训计划	MLOps、业务运营	漂移未发现、告警疲劳

案例场景：一次信贷评分模型的完整流转

假设某消费金融公司要上线一款贷前评分模型。数据准备阶段，数据工程师从数仓抽取近24个月申请与还款记录，按申请时间切分训练集和验证集，标签定义为“放款后90天是否逾期30天以上”。特征工程阶段，特征工程师构造了收入负债比、近6个月查询次数、历史最大逾期天数等特征，并在特征平台注册，确保Serving时能实时取到相同口径。训练阶段，算法工程师用LightGBM训练，记录参数并保存模型版本。评估阶段，除AUC和KS外，还计算了按月PSI，发现某月PSI超过0.2，于是回退检查该月数据口径。部署阶段，MLOps工程师将模型封装为gRPC接口，先对10%流量灰度，观察响应延迟和分数分布。监控阶段，系统每天计算线上特征PSI和分数均值，一旦触发阈值就自动告警并生成重训任务。

# 模型版本与部署配置示例
model_name: credit_score_v3
model_version: 2024-06-18-01
feature_source: feature_platform_online
serving:
  protocol: grpc
  timeout_ms: 80
  replicas: 3
canary:
  traffic_ratio: 0.1
  watch_metrics:
    - psi_income_ratio
    - score_mean
    - latency_p99
rollback:
  enabled: true
  max_error_rate: 0.01

关键角色协作要点：数据工程师保证“数据对”，特征工程师保证“口径对”，算法工程师保证“模型对”，MLOps保证“服务对”，合规保证“留痕对”。任何一环缺失，都会导致模型无法真正上线或上线后不可控。

误区与复盘：生命周期中最容易踩的坑

误区一：训练完直接上线。缺少评估和灰度，线上分数分布异常时无法快速定位，回滚成本极高。
误区二：离线特征与在线特征各写一套。训练时用SQL，Serving时用Java，口径必然漂移，模型效果断崖式下跌。
误区三：只看AUC不看稳定性。金融场景中，跨时间PSI和客群公平性往往比单次AUC更重要。
误区四：没有版本管理。模型、特征、数据、配置四者版本不绑定，出问题无法复现，审计也无法通过。
误区五：监控只盯接口成功率。接口正常不代表模型正常，输入漂移和输出漂移才是更隐蔽的风险。

复盘建议：每次模型上线后，保留一份“生命周期档案”，包含数据快照、特征版本、模型版本、评估报告、灰度记录和回滚记录。这份档案既是排障依据，也是合规审计的必备材料。

合规提醒：金融模型涉及用户敏感信息，数据准备和特征工程阶段必须做脱敏与权限控制；模型评估阶段需准备可解释性材料，确保关键拒绝原因可追溯。生命周期中的每一步都应留下可审计日志。

把生命周期看成一条闭环，而不是一条直线，是金融模型Serving项目成功的关键。只有当数据、特征、模型、部署和监控被统一管理，并且每个阶段都有明确的责任人和交付物，模型才能真正从实验环境走向生产环境，并在业务中持续创造价值。