📚 课程目录第3章漂移基础概念

3. 漂移基础概念

在金融模型上线之后，很多团队会默认“模型已经训练好，接下来只要按时跑批就行”。但真实业务中，模型面对的是一个持续变化的市场：利率调整、监管政策更新、用户行为迁移、宏观周期切换，都会让模型输入和输出之间的关系发生偏移。这种偏移统称为模型漂移。要建立有效的监控体系，第一步不是写告警规则，而是把漂移的四个基础概念分清楚：数据漂移、概念漂移、标签漂移、特征漂移。它们经常被混用，但对应的检测手段、业务含义和处置动作完全不同。

一、核心原理：四个概念的定义与边界

数据漂移（Data Drift）是最宽泛的上位概念，指模型上线后所面对的数据分布，与训练阶段的数据分布发生了整体性变化。它既可能来自输入特征，也可能来自标签，还可能来自两者之间的关系。因此数据漂移更像一个“总称”，而不是一个可直接定位的单一故障。

特征漂移（Feature Drift）是数据漂移中最常见、最容易观测的一类，特指输入变量 X 的分布发生变化，而 X→Y 的映射关系未必改变。例如某信贷模型训练时用户平均负债收入比为 35%，上线半年后升至 52%；或者某反欺诈模型的特征“近 7 日交易笔数”整体上移。特征漂移通常可以通过 PSI、KS、JS 散度等指标在无标签情况下直接监控。

标签漂移（Label Drift）指目标变量 Y 的分布发生变化。例如违约率从 3% 上升到 8%，或某类资产收益率整体下移。标签漂移往往滞后于特征漂移出现，因为标签需要时间才能被观察到，在信贷、保险等场景中可能延迟数月。

概念漂移（Concept Drift）是最本质、也最危险的一类，指 X 与 Y 之间的真实映射关系 P(Y|X) 发生改变。此时即使特征分布和标签分布看起来都正常，模型判断逻辑也已经失效。例如经济下行期，同样的收入与负债结构，违约概率显著高于训练期；或者监管新规出台后，某些原本强相关的特征突然失去预测力。

一句话区分：特征漂移看 P(X)，标签漂移看 P(Y)，概念漂移看 P(Y|X)，数据漂移是前三者的统称。

二、方法流程：如何按类型设计监控

理解定义之后，监控设计就有了清晰的分工。下面给出一个可落地的判断流程：

先监控特征分布：对每个入模特征计算 PSI、KS 或 JS，按日/周粒度输出漂移分数，这是最早能拿到的信号。
再监控标签分布：在标签回传后统计正负样本比例、均值、分位数，与训练基线对比。
最后验证概念稳定性：用近期有标签样本重新评估模型 AUC、KS、PSI，观察区分能力是否下降。
交叉定位：若特征漂移但模型指标稳定，可能只是输入迁移；若特征稳定但模型指标下降，则高度怀疑概念漂移。

在工程实现上，通常会把基线分布、当前分布和漂移阈值配置化。例如：

drift_config:
  feature_psi_warn: 0.10
  feature_psi_alert: 0.25
  label_rate_shift_warn: 0.20
  model_ks_drop_alert: 0.05
  window: "7d"
  baseline: "training_2024Q4"

当 PSI 超过 0.25 时触发特征漂移告警；当标签比例相对基线偏移超过 20% 时触发标签漂移告警；当模型 KS 下降超过 0.05 且特征漂移不显著时，应优先排查概念漂移。

三、案例与场景：四类漂移在金融业务中的表现

以消费信贷评分卡为例。训练集来自 2023 年，当时用户平均年龄 32 岁、平均月收入 1.2 万元、违约率 3.5%。到 2025 年：

特征漂移：新增客群年龄上移到 38 岁，收入分布右移，PSI 达到 0.31。
标签漂移：整体违约率升至 5.8%，正样本占比明显变化。
概念漂移：同样收入水平下，由于就业市场波动，实际违约概率比训练期高出一倍，P(Y|X) 已改变。
数据漂移：以上三类同时发生，统称为数据漂移。

再比如量化选股模型，特征漂移可能表现为因子暴露度整体偏移；标签漂移表现为未来收益分布变化；概念漂移则表现为某因子从有效变为失效。反欺诈模型更特殊，欺诈者会主动对抗模型，概念漂移往往发生得极快。

四、误区与复盘：常见判断错误

误区一：把特征漂移等同于模型失效。特征分布变化不一定导致模型变差，有些漂移只是客群自然扩张。必须结合模型指标一起判断。

误区二：忽略标签延迟。信贷、保险等场景标签回传慢，若只等标签漂移告警，往往已经错过最佳干预窗口。特征漂移应作为前置哨兵。

误区三：用同一阈值监控所有特征。不同特征的稳定性差异很大，核心变量和辅助变量应设置不同阈值。

误区四：把概念漂移当成数据问题。概念漂移本质是业务逻辑变化，靠重新采样往往无效，需要重新训练甚至重构特征体系。

复盘建议：每次漂移告警后，记录“漂移类型—检测指标—业务事件—处置动作—恢复效果”，形成组织级知识库。长期看，这比单次调参更有价值。

漂移类型	数学表达	典型检测指标	业务影响	常见处置
特征漂移	P(X) 变化	PSI、KS、JS	评分偏移、客群结构变化	特征重校准、分群建模
标签漂移	P(Y) 变化	正负样本比、均值	通过率、坏账率失真	调整阈值、重采样
概念漂移	P(Y\|X) 变化	AUC、KS 下降	模型区分能力失效	重新训练、重构特征
数据漂移	以上统称	综合监控	整体模型风险上升	分层定位、组合处置

掌握这四个概念，是后续搭建漂移监控指标、告警策略和自动化重训流程的基础。只有先分清“变的是输入、输出还是关系”，才能让监控真正指向可执行的业务动作。