1. 课程导入

在金融风控、信用评分、量化交易与反欺诈等场景中，模型上线并不代表工作结束，而恰恰是模型全生命周期管理的起点。随着宏观经济周期切换、客群结构迁移、监管政策调整以及黑灰产对抗升级，模型所依赖的数据分布与真实业务关系会持续变化，导致模型输出逐渐偏离预期，这种现象就是模型漂移（Model Drift）。本课程的目标，是带领学员从零构建一套可落地、可监控、可复盘的金融模型漂移监控体系，而本章将先建立全局认知：为什么必须监控漂移、监控什么、用什么方法监控、以及整个实战项目如何分阶段推进。

一、学习目标：从“会建模”走向“会运营模型”

很多金融数据从业者擅长训练模型、调参和离线评估，却缺少对模型上线后表现的持续追踪能力。本课程的学习目标分为四个层次：

• 认知层：理解数据漂移、概念漂移、标签漂移、模型漂移之间的区别与因果关系，能判断业务中出现的异常究竟属于哪一类漂移。
• 方法层：掌握PSI、KS、AUC、CSI、KL散度、JS散度、Wasserstein距离等监控指标的适用条件、计算方式与阈值设定逻辑。
• 工程层：能够搭建从数据采集、特征计算、指标落库、告警触发到可视化看板的完整监控流水线。
• 决策层：能够根据漂移程度与业务影响，制定观察、重训、调参、降级、人工复核或模型下线的处置策略。

二、核心价值：漂移监控是金融模型的“体检系统”

金融业务对模型稳定性的要求远高于一般互联网场景。信贷审批中，一个评分模型若因客群迁移导致高分人群实际违约率上升，可能直接带来数亿元坏账；反欺诈模型若因黑产手法变化而漏判，会造成资金损失与声誉风险；量化策略若因市场结构变化而失效，则会引发回撤扩大。漂移监控的核心价值，正是把“事后损失”转化为“事前预警”。

具体而言，漂移监控带来四类价值：

1. 风险前置：在模型效果显著恶化前发现特征分布与预测分布的异常信号。
2. 决策依据：为模型重训、策略切换和人工干预提供量化依据，避免拍脑袋。
3. 合规审计：满足监管对模型可解释、可追溯、可持续验证的要求。
4. 资产保值：延长模型有效生命周期，降低重复开发与紧急修复成本。

三、整体项目框架：四层监控体系

本课程实战项目采用“数据层—特征层—模型层—业务层”的四层监控框架。数据层关注输入数据的完整性、分布与时效；特征层关注关键变量的稳定性与区分度；模型层关注预测分数分布与效果指标；业务层关注通过率、逾期率、欺诈率、收益回撤等最终经营指标。四层之间不是孤立的，而是存在清晰的传导关系：数据漂移可能引发特征漂移，特征漂移可能引发模型漂移，模型漂移最终体现为业务指标异常。

上图展示了四层体系的纵向传导关系与监控闭环。实际项目中，我们不会只盯住某一层指标，而是建立跨层联动规则。例如：当数据层发现某关键字段缺失率从2%升至15%，特征层PSI超过0.25，模型层KS下降超过20%，业务层逾期率上升0.8个百分点时，系统应触发高级别告警，并自动生成归因报告。

四、实战路线图：30章如何一步步落地

整个课程围绕一个统一的金融风控项目展开，数据来自模拟的信贷申请与贷后表现表，包含申请时间、客户属性、征信特征、评分结果与违约标签。项目按六个阶段推进：

五、常见误区与提前复盘

下面是一段最小化的漂移监控配置示例，后续章节会在此基础上逐步扩展：

monitor_config = {
    "model_name": "credit_score_v3",
    "monitor_frequency": "daily",
    "layers": {
        "data": ["missing_rate", "sample_count", "field_range"],
        "feature": ["psi", "csi", "importance_shift"],
        "model": ["ks", "auc", "score_distribution"],
        "business": ["approval_rate", "overdue_rate", "fraud_rate"]
    },
    "alert_rules": {
        "psi": {"warning": 0.1, "critical": 0.25},
        "ks_drop": {"warning": 0.15, "critical": 0.30},
        "overdue_rate_increase": {"warning": 0.005, "critical": 0.01}
    }
}