1. 课程导入
在金融风控、量化投研、智能投顾与反欺诈等场景中，模型上线往往只是起点。真正决定模型长期表现的，不是训练集上的AUC或KS，而是模型面对不断变化的市场环境、客群结构与监管政策时，能否持续保持稳定。数据漂移（Data Drift）与概念漂移（Concept Drift）正是导致模型性能衰减的两大核心原因。本章作为全课程导入，先建立统一的概念坐标系，再明确学习路径与实战价值。
一、核心定义：数据漂移与概念漂移到底在变什么
数据漂移指输入特征X的分布发生变化，即P(X)改变，而X与Y之间的映射关系P(Y|X)相对稳定。例如某消费信贷模型训练时用户年龄集中在25～40岁，上线一年后新增大量45岁以上用户，年龄分布整体右移，这就是典型的数据漂移。数据漂移不一定立刻伤害模型，但会削弱模型对当前客群的覆盖能力。
概念漂移指输入与输出之间的真实关系发生变化，即P(Y|X)改变。例如经济上行期“高负债收入比”仍可能对应低违约率，而经济下行期同样特征却对应高违约率。此时即使X分布不变，模型学到的“旧规律”也已失效。概念漂移是更危险、更难诊断的一类漂移。
一句话区分：数据漂移是“来的人变了”，概念漂移是“同样的人，结果规则变了”。前者看输入分布，后者看输入与标签的关系。
实际业务中两者常同时发生。例如疫情冲击下，客群收入结构变化（数据漂移）叠加违约定义与风险偏好变化（概念漂移），模型会快速失效。因此诊断时必须先分离漂移类型，再选择应对策略，否则容易误判为“模型过拟合”或“数据质量问题”。
二、学习目标：从“知道概念”到“能诊断、能处置”
本课程不是概念科普，而是面向金融数据科学、风控建模与算法工程岗位的实战训练。完成全部30章后，你应达到以下目标：
- 概念层：能准确区分数据漂移、概念漂移、标签漂移与模型漂移，理解各自在金融场景中的触发机制。
- 检测层：掌握PSI、KS、JS散度、Wasserstein距离、ADWIN、DDM、Page-Hinkley等检测方法的适用边界与参数设置。
- 诊断层：能通过分时段评估、特征归因、标签关系检验，定位漂移来源并判断严重程度。
- 处置层：能设计重训练、增量学习、样本加权、特征替换、规则兜底等组合策略，并评估处置效果。
- 工程层：能搭建漂移监控流水线，配置告警阈值、自动化重训练与模型回滚机制。
三、整体课程框架：四阶段递进
课程按“概念—检测—诊断—处置—工程化”五段式推进，每阶段均配套金融真实场景案例与可运行代码。下表给出整体框架与关键产出。
| 阶段 | 核心内容 | 关键方法/工具 | 实战产出 |
|---|---|---|---|
| 第1阶段 概念奠基 | 漂移定义、分类、金融场景映射 | P(X)、P(Y|X)、漂移分类树 | 漂移类型判断清单 |
| 第2阶段 检测方法 | 统计检验、距离度量、在线检测 | PSI、KS、JS、ADWIN、DDM | 漂移检测脚本与阈值表 |
| 第3阶段 诊断归因 | 分时段评估、特征归因、标签检验 | SHAP、分箱对比、混淆矩阵漂移 | 漂移诊断报告模板 |
| 第4阶段 处置与工程化 | 重训练、增量学习、监控告警、回滚 | Airflow、MLflow、Evidently | 漂移监控流水线Demo |
四、实战价值：为什么金融场景必须做漂移诊断
金融业务对模型衰减的容忍度极低。信贷审批中，一个未及时发现的漂移可能让坏账率在两个月内翻倍；量化策略中，概念漂移可能让夏普比率从2.0跌至0.3；反欺诈中，欺诈团伙会主动制造数据漂移来绕过模型。漂移诊断的实战价值体现在三方面：
- 风险前置：在模型性能指标恶化之前，通过输入分布与标签关系监控提前预警，争取处置窗口。
- 成本控制：避免“无差别重训练”带来的算力与人力浪费，按漂移类型精准选择处置手段。
- 合规可解释：监管要求模型持续有效，漂移诊断报告可作为模型验证与审计的关键证据。
学习建议：每章先理解“变的是什么”，再动手跑检测代码，最后用自己的业务数据复现一次诊断流程。漂移诊断是经验学科，只看不练很难形成判断力。
五、常见误区与复盘提醒
初学者在漂移诊断中常犯以下错误，本章先建立“避坑清单”，后续章节会逐一展开：
- 误区一：把数据漂移等同于模型失效。数据漂移只是预警信号，是否失效要看P(Y|X)是否稳定以及业务指标是否恶化。
- 误区二：只看整体PSI，不看分群。整体分布稳定可能掩盖某个高价值客群的剧烈漂移，必须做分层监控。
- 误区三：用准确率单一指标判断概念漂移。类别不平衡下准确率迟钝，应结合KS、AUC、召回率与业务成本矩阵。
- 误区四：检测到漂移就立即全量重训练。应先判断漂移类型与持续时间，区分短期波动与结构性变化，避免过度反应。
- 误区五：忽略标签延迟。金融场景中违约标签可能滞后3～6个月，概念漂移检测必须考虑标签可得时间。
复盘要点：任何一次漂移事件都应记录“检测时间、漂移类型、影响范围、处置动作、恢复效果”五要素。长期积累后，你会形成自己业务的漂移模式库，这比任何通用算法都更有价值。
本章建立了数据漂移与概念漂移的定义边界、学习目标、课程框架与实战价值。接下来将从金融场景中的漂移分类与触发机制入手，进入系统化的检测方法学习。