2. 金融数据特性

在构建金融风控、量化投研或营销响应模型时，数据科学家最先遇到的挑战往往不是算法选择，而是数据本身的结构。金融数据并非独立同分布的静态表格，它同时具备时间维度、横截面维度和个体维度，形成三类典型形态：金融时间序列、横截面数据与面板数据。理解这三类数据的生成机制，是判断漂移来源、设计监控指标的前提。

一、三类金融数据的核心特征

金融时间序列以时间为唯一索引，记录单一资产或指标随时间的演变，如日频收益率、分钟级成交量、月度违约率。其核心特征是自相关、波动率聚集、非平稳性。收益率序列常呈现尖峰厚尾，波动率存在GARCH效应，且均值与方差随时间漂移。这意味着训练集与测试集之间天然存在分布差异，模型在样本外衰减几乎是必然。

横截面数据在同一时点观察多个个体，如某日全部A股上市公司的市盈率、某月所有申请人的信用评分。其核心特征是个体间可比但时点单一，样本量由个体数量决定。横截面模型容易受到市场状态切换的影响：牛市与熊市中，同一财务指标对违约的判别力可能完全相反。

面板数据是时间序列与横截面的结合，同时包含个体维度和时间维度，如2000—2024年各省份的信贷余额、每只基金每季度的持仓收益。面板数据兼具组内变异与组间变异，能够控制不可观测的个体异质性，但也使漂移诊断更加复杂：漂移可能来自时间维度、个体维度，或二者交互。

二、漂移问题的业务影响

数据漂移与概念漂移在金融业务中并非学术概念，而是直接对应可量化的损失。数据漂移指输入特征分布变化，例如用户收入分布整体下移、交易金额量纲改变；概念漂移指输入与目标之间的映射关系变化，例如同样的负债收入比，在经济下行期对违约的预测方向发生反转。

三、诊断流程与代码示例

针对三类数据，建议采用分层诊断流程：先确认数据结构类型，再分别计算时间维度与个体维度的漂移指标，最后关联业务损失。以下示例展示如何对面板数据按时间窗口计算PSI，并区分组内与组间漂移。

import pandas as pd
import numpy as np

def psi(base, curr, bins=10):
    breakpoints = np.percentile(base, np.linspace(0, 100, bins + 1))
    base_pct = np.histogram(base, breakpoints)[0] / len(base)
    curr_pct = np.histogram(curr, breakpoints)[0] / len(curr)
    base_pct = np.clip(base_pct, 1e-6, None)
    curr_pct = np.clip(curr_pct, 1e-6, None)
    return np.sum((curr_pct - base_pct) * np.log(curr_pct / base_pct))

# 面板数据：按时间切分，同时按个体分组
panel = pd.read_parquet("credit_panel.parquet")
train = panel[panel["month"] <= "2023-12"]
test  = panel[panel["month"] >= "2024-01"]

overall_psi = psi(train["score"], test["score"])
within_psi = test.groupby("customer_id").apply(
    lambda g: psi(train[train["customer_id"] == g.name]["score"], g["score"])
).mean()

print(f"整体PSI: {overall_psi:.4f}")
print(f"组内平均PSI: {within_psi:.4f}")

四、案例复盘：某消费金融评分卡衰减

某消费金融公司在2023年上线的评分卡，上线6个月后AUC从0.72降至0.64。初期团队仅监控分数分布，未发现异常。复盘发现：

• 数据漂移：新渠道引入大量年轻客群，年龄均值下降8岁，收入特征PSI达0.31。
• 概念漂移：同期宏观利率上行，多头借贷指标与违约的关系由负转正，模型权重方向失效。
• 面板结构漂移：老客户复贷率下降，新客户占比从15%升至42%，组间方差扩大。

最终整改方案包括：按渠道分层建模、引入宏观变量交互项、建立月度PSI与AUC双监控看板。该案例说明，金融数据的多维结构决定了漂移诊断不能只看单一指标，必须结合时间、个体与业务语义综合判断。