2. 模型漂移基础
在金融风控、量化投研、智能投顾等场景中，模型上线只是起点。真正决定模型长期价值的，是它在时间维度上是否仍然“理解”当前世界。模型漂移（Model Drift）指的是模型所依赖的数据分布、输入与输出之间的关系，或标签本身随时间发生变化，导致模型效果衰减的现象。理解漂移的类型与成因，是搭建监控与告警体系的第一块基石。
核心判断：漂移不是模型“坏了”，而是模型所刻画的统计规律与当前业务现实之间出现了偏离。监控的目标不是消灭漂移，而是尽早识别漂移是否已经影响到决策质量。
一、三类漂移的定义与本质区别
在金融实践中，漂移通常被拆分为三种基本类型，它们的数学对象和业务含义各不相同。
- 数据漂移（Data Drift / Covariate Shift）：输入特征
X的分布P(X)发生变化，但输入与标签之间的条件关系P(Y|X)基本不变。例如宏观经济波动导致申请人的收入分布整体下移。 - 概念漂移（Concept Drift）：输入与标签之间的真实关系
P(Y|X)发生变化。同样的特征组合，过去代表低风险，现在可能代表高风险。例如监管政策调整后，某类交易行为的违约含义被重新定义。 - 标签漂移（Label Drift / Prior Probability Shift）：标签本身的分布
P(Y)发生变化，而P(X|Y)相对稳定。例如经济下行期整体违约率从 2% 上升到 5%。
三者的关键区别在于“变化发生在哪个概率对象上”。数据漂移看输入，标签漂移看输出，概念漂移看输入到输出的映射关系。实际业务中，三者往往同时出现，但监控指标和应对策略必须分开设计。
二、常见成因与金融场景示例
漂移的成因可以归纳为外部环境、内部策略和数据链路三类。金融场景中，这三类成因往往交织出现。
| 漂移类型 | 常见成因 | 金融场景示例 | 典型监控信号 |
|---|---|---|---|
| 数据漂移 | 宏观经济变化、客群结构变化、数据采集口径调整 | 信贷申请人群从一线城市扩展到下沉市场，收入与负债特征分布整体偏移 | 特征 PSI 上升、均值/方差偏移、缺失率变化 |
| 概念漂移 | 监管政策、市场机制、欺诈手法、业务定义变更 | 反欺诈模型上线后，欺诈团伙改变作案模式，历史特征与欺诈的关联减弱 | 分群 AUC 下降、残差分布异常、规则命中率突变 |
| 标签漂移 | 经济周期、风险偏好、催收策略、标签定义调整 | 经济下行期整体违约率从 2% 升至 5%，正样本比例显著上升 | 标签比例监控、校准曲线偏移、KS 下降 |
记忆口诀：数据漂移看“输入变了没”，标签漂移看“结果多了没”，概念漂移看“规律还灵不灵”。三者可以独立发生，也可以连锁发生。
三、监控方法流程：从指标到告警
识别漂移需要一套可落地的流程。以下流程适用于信贷评分卡、反欺诈、量化选股等金融模型。
- 确定监控对象：明确关键特征、预测分数、标签以及业务结果指标，避免全量监控导致噪声过大。
- 建立基线分布：以训练集或最近一个稳定窗口作为参考分布，记录均值、方差、分位数、类别比例等。
- 计算漂移指标：连续特征常用 PSI、KS、Wasserstein 距离；类别特征常用卡方、JS 散度；标签用比例差与校准误差。
- 设定阈值与分级：例如 PSI < 0.1 稳定，0.1～0.25 预警，> 0.25 严重；结合业务影响设定告警级别。
- 触发告警与归因：告警后下钻到具体特征、客群、时间段，判断是数据链路问题还是真实业务变化。
- 决策与闭环：根据漂移类型选择重训、调参、换特征、调整阈值或人工复核，并记录处理结果。
# 示例：计算单个特征的 PSI（简化版）
import numpy as np
def psi(base, current, bins=10):
breakpoints = np.percentile(base, np.linspace(0, 100, bins + 1))
base_cnt, _ = np.histogram(base, bins=breakpoints)
curr_cnt, _ = np.histogram(current, bins=breakpoints)
base_pct = base_cnt / len(base) + 1e-6
curr_pct = curr_cnt / len(current) + 1e-6
return np.sum((curr_pct - base_pct) * np.log(curr_pct / base_pct))
# 输出示例
# feature: income psi=0.031 status=stable
# feature: query_count psi=0.187 status=warning
# feature: debt_ratio psi=0.312 status=critical
四、误区与复盘：别把漂移当成模型故障
在实际项目中，团队最容易陷入以下误区。
- 误区一：只看模型 AUC，不看输入分布。AUC 下降往往是滞后信号，等它出现时业务已经受损。应优先监控特征与标签分布。
- 误区二：把标签漂移误判为概念漂移。违约率整体上升但特征与违约的关系未变，属于标签漂移，盲目重训可能无效，应先调整阈值或校准。
- 误区三：阈值一刀切。不同特征、不同客群的敏感度不同，统一 PSI 阈值会带来大量误报或漏报。
- 误区四：告警后无人归因。漂移告警必须绑定责任人和处理动作，否则监控体系会迅速失效。
复盘要点：漂移监控的核心不是“报警越多越好”，而是“报警是否可解释、可归因、可行动”。建议每次告警都记录：触发指标、影响范围、根因判断、处理动作和后续效果，形成可复用的漂移案例库。
掌握数据漂移、概念漂移与标签漂移的定义、区别和成因，是后续设计监控指标、告警阈值和应对策略的前提。只有先分清“变的是输入、输出还是映射关系”，才能在金融业务中做出正确的模型维护决策。