3. 漂移检测方法概览
在金融风控、量化交易与信贷评分等场景中，模型上线只是起点。数据分布会因市场环境、监管政策、用户行为或宏观周期而改变，导致模型输入特征与标签的联合分布发生偏移，即模型漂移。漂移检测方法的选择，直接决定了监控系统的灵敏度、误报率与可解释性。本节从核心原理出发，梳理五类主流方法的适用条件与优缺点，并给出选型建议。
一、核心原理：漂移的三种形态与检测目标
漂移通常分为三类：协变量漂移（特征分布 P(X) 变化，P(Y|X) 不变）、概念漂移（P(Y|X) 变化）和标签漂移（P(Y) 变化）。检测方法本质上是在回答两个问题：分布是否显著不同？差异来自哪些特征？
统计检验通过假设检验判断两个样本是否来自同一分布；距离度量量化分布之间的“远近”；对抗验证将漂移检测转化为一个可解释的分类问题；在线检测与批量检测则决定检测的时间粒度与工程实现方式。理解这些原理，才能避免“用错工具”导致的漏报或误报。
二、方法流程与适用条件
统计检验是最经典的方法。以 KS 检验为例，它比较两个累积分布函数的最大距离，适合连续单特征；PSI 则常用于风控评分卡，通过分箱计算稳定性指数。其流程为：确定参考窗口与检测窗口 → 选择检验统计量 → 计算 p 值或 PSI → 与阈值比较。优点是计算快、可解释强；缺点是仅适用于单特征，且对样本量敏感。
距离度量如 KL 散度、JS 散度和 Wasserstein 距离，能刻画整体分布差异。JS 散度对称且有界，适合多分类输出分布监控；Wasserstein 距离对分布平移更敏感。其流程为：估计两个分布 → 计算距离 → 设定阈值。优点是数学性质好；缺点是对高维特征计算成本高，且阈值难以统一。
对抗验证将漂移检测转化为二分类任务：给参考数据打标签 0，检测数据打标签 1，训练分类器并观察 AUC。若 AUC 显著高于 0.5，说明两者可区分，存在漂移。进一步通过特征重要性定位漂移来源。优点是能处理多特征、可定位根因；缺点是训练成本高，且 AUC 受样本量影响。
在线检测与批量检测是工程实现维度。在线检测使用滑动窗口或指数加权，逐条更新统计量，适合实时风控；批量检测按天/周跑批，适合离线复盘与报表。在线检测延迟低但易受噪声干扰；批量检测稳定但滞后。
| 方法 | 适用条件 | 优点 | 缺点 |
|---|---|---|---|
| 统计检验（KS/PSI） | 单特征、需可解释、样本充足 | 计算快、阈值直观、易落地 | 仅单特征、对样本量敏感 |
| 距离度量（JS/Wasserstein） | 连续特征、整体分布监控 | 数学性质好、对称有界 | 高维成本高、阈值难统一 |
| 对抗验证 | 多特征、需定位根因 | 可定位漂移特征、灵活 | 训练成本高、AUC 受样本影响 |
| 在线检测 | 实时风控、流式数据 | 延迟低、响应快 | 噪声敏感、需调参 |
| 批量检测 | 离线复盘、周期性报表 | 稳定、易与报表集成 | 滞后、无法实时告警 |
三、案例/场景：信贷评分模型的漂移监控
某银行信贷评分模型上线后，监控团队发现近三个月 KS 值从 0.42 降至 0.31。他们采用组合策略：
- 对每个特征计算 PSI，发现“近半年查询次数”PSI 超过 0.25，触发告警；
- 对模型输出分数计算 JS 散度，确认整体分布右移；
- 使用对抗验证训练 LightGBM，AUC 达到 0.78，特征重要性显示“查询次数”和“负债收入比”贡献最大；
- 在线检测模块以 1 小时滑动窗口监控 PSI，批量检测每日生成漂移报告。
最终定位到某渠道进件质量下降，导致查询次数分布偏移。团队调整了该渠道的准入策略，两周后 PSI 回落至 0.08。
# 对抗验证核心代码示例
import lightgbm as lgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score
# 参考数据 label=0，检测数据 label=1
X = pd.concat([ref_X, cur_X])
y = np.concatenate([np.zeros(len(ref_X)), np.ones(len(cur_X))])
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
model = lgb.LGBMClassifier(n_estimators=200, learning_rate=0.05)
model.fit(X_train, y_train)
auc = roc_auc_score(y_test, model.predict_proba(X_test)[:, 1])
print(f"对抗验证 AUC: {auc:.4f}") # AUC > 0.7 通常认为存在显著漂移
四、误区/复盘：常见陷阱与选型建议
误区一：只看单一指标。仅依赖 PSI 可能漏掉多特征联合漂移。建议统计检验 + 对抗验证组合使用。
误区二：阈值一刀切。不同特征的 PSI 阈值应结合业务容忍度设定，例如核心变量阈值 0.1，辅助变量 0.25。
误区三：忽视样本量。KS 检验在样本量过大时几乎必然显著，需结合效应量判断。
选型建议：实时风控优先在线检测 + PSI；离线复盘用批量检测 + 对抗验证；多特征根因定位用对抗验证；单特征快速筛查用统计检验。最终应建立“统计检验初筛 → 距离度量确认 → 对抗验证定位 → 在线/批量落地”的分层监控体系。
漂移检测不是一次性任务，而是持续迭代的工程闭环。理解每种方法的适用边界，才能在灵敏度与误报率之间找到平衡，让模型在动态金融环境中保持稳健。