2. 基础知识

在金融风控、量化投研与智能营销中，模型上线并不代表工作结束。市场结构、客群行为、监管口径和宏观周期持续变化，训练时学到的统计规律会逐渐与线上数据脱节，这种现象统称为模型漂移（Model Drift）。它描述的是模型输入分布、输入与输出之间的关系，或目标变量本身随时间发生偏移，导致模型预测能力下降的过程。理解漂移的定义与分类，是后续检测、阈值设定和根因诊断的前提。

一、模型漂移的定义与三类漂移

从数学角度看，一个监督模型学习的是联合分布 \(P(X, Y)\)，其中 \(X\) 为特征，\(Y\) 为标签。漂移可以发生在联合分布的不同分解部分，由此形成三类典型漂移：

• 数据漂移（Data Drift / 协变量漂移）：特征分布 \(P(X)\) 发生变化，但 \(P(Y|X)\) 保持不变。例如某消费贷产品调整授信策略后，申请人群年龄结构整体上移，收入分布右移。
• 概念漂移（Concept Drift）：特征与标签之间的关系 \(P(Y|X)\) 发生变化。例如经济下行期，同样的负债收入比对应的违约概率显著上升，模型原有的风险映射失效。
• 标签漂移（Label Drift / 先验漂移）：标签分布 \(P(Y)\) 发生变化。例如监管收紧后整体违约率从 3% 升至 6%，即使特征关系不变，模型输出的绝对风险水平也会系统性偏低。

三类漂移常同时出现，但根因和应对手段不同。数据漂移通常可通过监控特征分布快速发现；概念漂移更隐蔽，往往要等标签回流后才能确认；标签漂移则直接影响阈值与校准。金融场景中，概念漂移危害最大，因为它意味着模型逻辑本身不再成立。

二、常见术语与检测方法流程

在漂移检测工程中，需要统一术语口径，避免团队沟通歧义。常用术语包括：基准窗口（Reference Window）指训练或上一稳定期的数据；检测窗口（Detection Window）指当前线上数据；漂移分数（Drift Score）是量化差异的统计量；阈值（Threshold）是触发告警的判定边界；根因（Root Cause）是导致漂移的具体特征或外部事件。

常见检测方法按数据类型选择：连续特征可用 PSI、KS 检验、Wasserstein 距离；类别特征可用卡方检验、JS 散度；模型层面可监控 AUC、KS、PSI 与校准曲线。一个可落地的检测流程如下：

1. 确定基准窗口与检测窗口，对齐特征口径与时间粒度。
2. 对每个特征计算漂移分数，并按业务重要性加权。
3. 与预设阈值比较，输出特征级与模型级告警。
4. 对告警特征做分布对比、分箱对比与业务事件关联。
5. 判定漂移类型，决定重训、校准、调阈值或人工复核。

# 以 PSI 为例的特征漂移检测伪代码
def psi(reference, current, bins=10):
    ref_pct = np.histogram(reference, bins=bins)[0] / len(reference)
    cur_pct = np.histogram(current, bins=bins)[0] / len(current)
    ref_pct = np.clip(ref_pct, 1e-6, None)
    cur_pct = np.clip(cur_pct, 1e-6, None)
    return np.sum((cur_pct - ref_pct) * np.log(cur_pct / ref_pct))

# 阈值经验：PSI < 0.1 稳定；0.1~0.25 关注；> 0.25 显著漂移
for col in feature_cols:
    score = psi(ref_df[col], cur_df[col])
    if score > 0.25:
        print(f"[ALERT] {col} PSI={score:.3f} 显著漂移")

三、金融业务应用场景

不同金融场景对漂移的敏感点和容忍度差异明显，下表给出典型对照：

四、常见误区与复盘要点

初学者在理解漂移时容易陷入几个误区，需要在实战前澄清：

• 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，若 P(Y|X) 稳定，模型排序能力可能仍然可用，只需校准或调阈值。
• 误区二：只看模型指标，不看特征分布。模型 AUC 下降往往是滞后的，特征级漂移监控能更早发现问题。
• 误区三：阈值一刀切。不同特征、不同业务的重要性不同，PSI 阈值应结合业务容忍度分层设定。
• 误区四：发现漂移就立即重训。若根因是数据采集口径变化或一次性事件，重训可能引入噪声，应先做根因诊断。