1. 课程导入
金融数据具有高频、低信噪、强时变与强监管等特征。传统“离线训练一次、上线长期使用”的建模方式，在行情切换、政策调整、用户行为迁移时往往迅速失效。本课程聚焦两个关键能力：在线学习（Online Learning）与增量更新（Incremental Update），帮助你在不重训全量模型的前提下，让风控、量化、推荐与反欺诈模型持续跟上数据分布的变化。
在线学习强调“来一个样本、更新一次参数”的流式学习范式；增量更新强调“在已有模型基础上，只更新变化部分”的工程化能力。前者是算法思想，后者是落地手段，二者结合才构成金融场景可持续迭代的闭环。
一、核心定义：在线学习与增量更新到底指什么
在线学习指模型按时间顺序接收样本，每到达一个或一小批样本就更新参数，典型代表包括 SGD、FTRL、Passive-Aggressive、在线梯度提升与在线深度模型。其目标不是一次性拟合历史全量数据，而是在非平稳数据流上保持遗憾值（Regret）可控。
增量更新指在已有模型或特征体系上做局部修改，包括：增量训练（新数据继续训练）、增量特征（新增特征不重算全量）、增量统计（均值、方差、分位数滚动更新）、增量索引（向量库、特征库局部刷新）。它解决的是“重训成本高、上线窗口短、数据不能全量回放”的工程约束。
两者关系可用一句话概括：在线学习决定“怎么学”，增量更新决定“怎么省”。
二、学习目标：学完本课程你能做到什么
- 能区分在线学习、增量学习、迁移学习与微调的边界，避免概念混用。
- 能针对金融风控、量化信号、智能投顾、反欺诈等场景选择合适算法。
- 能设计特征增量统计、模型增量训练与在线评估的完整流水线。
- 能识别概念漂移、标签延迟、样本权重衰减与数据泄漏等风险。
- 能搭建可监控、可回滚、可审计的增量更新工程体系。
三、整体知识框架与实战路线图
课程按“数据—特征—模型—评估—工程—治理”六层展开。下图给出本章最值得可视化的对象：金融在线学习系统的数据流与增量更新路径，包括实时样本流入、特征增量统计、模型增量更新、在线评估与回滚治理五个关键环节。
路线图分为四个阶段：基础篇建立概念与数学直觉；算法篇掌握 FTRL、在线 GBDT、增量深度模型；工程篇落地特征增量、模型热更新与在线评估；治理篇覆盖漂移监控、回滚审计与合规要求。
四、典型金融场景与最小案例
| 场景 | 数据特征 | 推荐方法 | 关键指标 |
|---|---|---|---|
| 实时反欺诈 | 高维稀疏、毫秒级 | FTRL + 特征增量统计 | AUC、召回率、P99延迟 |
| 量化信号 | 时序非平稳、低信噪 | 在线 SGD + 滑动窗口 | 夏普、回撤、换手率 |
| 智能投顾推荐 | 用户行为漂移 | 增量矩阵分解 / 微调 | CTR、覆盖率、多样性 |
| 信用风险评分 | 标签延迟、周期长 | 增量 GBDT + 时间衰减 | KS、PSI、坏账率 |
以实时反欺诈为例，最小增量更新流程可抽象为如下伪代码：
for each transaction x_t:
z_t = incremental_scaler.update(x_t) # 特征增量统计
p_t = model.predict(z_t) # 在线预测
if label_t available:
w_t = exp(-lambda * (now - t)) # 时间衰减权重
model.partial_fit(z_t, y_t, sample_weight=w_t)
if drift_detector.update(p_t, y_t):
trigger_retrain_or_rollback() # 漂移触发治理
五、常见误区与复盘要点
误区一：把“增量更新”等同于“在线学习”。增量更新可以按小时批量进行，而在线学习强调逐样本或小批量流式更新，二者节奏与算法约束不同。
复盘要点：每次增量上线后，至少对比离线 AUC、在线 AUC、PSI、延迟与回滚次数五项指标，避免只看单一准确率。
- 误区二：忽略标签延迟。金融风控标签可能延迟数天甚至数月，直接在线更新会引入错误监督信号。
- 误区三：不做特征一致性校验。训练与推理特征口径不一致，是在线学习失效的高频原因。
- 误区四：缺少回滚机制。增量模型一旦劣化，若无版本管理与快速回滚，业务损失会迅速放大。