📚 课程目录第4章漂移成因分析

4. 漂移成因分析

在金融模型漂移监控项目中，检测到漂移只是起点，真正决定监控体系价值的是能否把“指标异常”翻译成“业务原因”。如果只报告PSI升高、KS下降，却不解释为什么升高，模型团队就无法决定是重训、调参、换特征，还是修复数据管道。因此，漂移成因分析是连接监控告警与模型治理动作的关键环节。本节围绕四类最常见诱因展开：市场环境变化、客户行为迁移、政策调整、数据采集偏差，并给出可落地的归因流程与复盘方法。

一、核心原理：漂移是“数据生成过程”发生变化的投影

金融模型本质上是对历史数据生成过程（Data Generating Process, DGP）的近似。当DGP发生变化，输入分布P(X)、标签分布P(Y)或条件分布P(Y|X)就会改变，模型在监控指标上表现为漂移。四类诱因对应不同的变化路径：

市场环境变化：利率、汇率、波动率、行业景气度等宏观变量改变，导致特征与标签的联合分布变化，通常同时影响多个客群。
客户行为迁移：客群结构、消费习惯、申贷渠道、还款意愿变化，使P(X)和P(Y|X)缓慢偏移，常表现为局部客群漂移。
政策调整：监管规则、准入条件、利率上限、征信口径变化，往往在特定时间点造成突变式漂移。
数据采集偏差：埋点变更、字段缺失、口径调整、上游系统升级，导致输入数据本身失真，属于“假漂移”或技术性漂移。

归因的核心判断逻辑：先区分“真漂移”与“假漂移”，再区分“全局漂移”与“局部漂移”，最后定位到具体特征与客群。顺序错了，容易把数据问题当成市场问题，浪费重训成本。

二、方法流程：从告警到根因的五步归因法

建议在监控平台中固化以下五步流程，每一步都产出可追溯的证据。

确认漂移事实：核对监控指标、时间窗口、样本量，排除计算错误与样本不足。
区分真假漂移：检查数据管道日志、字段缺失率、取值域、上游版本，判断是否为采集问题。
定位漂移范围：按客群、渠道、地区、产品维度切片，判断是全局还是局部。
定位漂移特征：计算单特征PSI、IV变化、SHAP贡献迁移，找出主要贡献特征。
匹配业务诱因：结合市场数据、政策文件、运营活动、客群报告，形成归因结论与治理建议。

下面是一段用于单特征漂移归因的Python示例，输出按PSI排序的特征清单，便于快速定位主要贡献者：

import pandas as pd
import numpy as np

def psi(base, curr, bins=10):
    breakpoints = np.percentile(base, np.linspace(0, 100, bins + 1))
    breakpoints[0], breakpoints[-1] = -np.inf, np.inf
    base_cnt = pd.cut(base, breakpoints).value_counts(normalize=True)
    curr_cnt = pd.cut(curr, breakpoints).value_counts(normalize=True)
    base_cnt = base_cnt.replace(0, 1e-6)
    curr_cnt = curr_cnt.replace(0, 1e-6)
    return np.sum((curr_cnt - base_cnt) * np.log(curr_cnt / base_cnt))

def drift_report(df_base, df_curr, features):
    rows = []
    for f in features:
        v = psi(df_base[f].dropna(), df_curr[f].dropna())
        rows.append({"feature": f, "psi": round(v, 4)})
    return pd.DataFrame(rows).sort_values("psi", ascending=False)

# 输出示例
#        feature     psi
#  credit_score  0.3120
#  income_ratio  0.1874
#  loan_amount   0.0921

三、场景案例：一次消费贷模型的漂移归因

某消费贷模型在2024年3月触发PSI告警，整体PSI从0.08升至0.21。团队按五步法排查：首先确认样本量与计算无误；随后检查数据管道，发现“月收入”字段缺失率从2%升至11%，属于采集偏差，先修复上游。修复后整体PSI降至0.14，仍高于阈值。继续切片发现，漂移集中在“新客渠道B”，该渠道客群平均年龄下降6岁，申请额度分布右移。结合运营记录，确认该渠道在2月上线了低门槛营销活动，属于客户行为迁移。最终治理动作是：对新客渠道B单独建模或增加渠道特征，而非全量重训。

诱因类型	典型信号	时间特征	治理动作
市场环境变化	多客群同时漂移，宏观特征PSI升高	渐变或周期性	引入宏观特征、缩短重训周期
客户行为迁移	局部客群漂移，渠道/年龄切片差异大	渐变，常与运营活动相关	分群建模、增加行为特征
政策调整	特定时间点突变，准入规则相关特征跳变	突变，可对齐政策发布日期	调整规则、重训、合规复核
数据采集偏差	缺失率、取值域、字段口径异常	突变，常与系统升级对齐	修复管道、回补数据、暂缓重训

四、误区与复盘：归因中最容易踩的坑

误区一：把技术性漂移当成市场漂移。数据管道变更造成的缺失率上升，常被误判为客群变化。若直接重训，模型会学习到错误分布，反而放大风险。务必先做数据质量校验。

误区二：只看整体指标，不做切片。整体PSI可能被多数稳定客群稀释，掩盖局部高风险客群的剧烈漂移。建议固定按渠道、新老客、地区做分层监控。

复盘建议：建立“漂移事件台账”，记录每次告警的时间、指标、归因结论、治理动作与后续效果。经过3～6个月积累，可形成诱因模式库，例如“渠道营销活动后7天内新客漂移概率高”，从而把被动响应变为主动预警。

归因分析的目标不是追求唯一正确答案，而是形成可验证、可行动的证据链。市场环境变化对应特征体系升级，客户行为迁移对应分群策略，政策调整对应规则与合规联动，数据采集偏差对应管道治理。只有把四类诱因区分清楚，后续的重训策略、监控阈值和模型治理流程才能有的放矢。