1. 课程导入
在金融业务中，模型一旦上线，并不意味着工作结束。信用评分、反欺诈、量化选股、风险预警、客户流失预测等模型，都会随着市场环境、用户行为、监管政策和数据分布的变化而逐渐失效。自动重训触发策略，解决的不是“如何训练一个模型”，而是“模型什么时候该重新训练、由什么信号触发、如何安全地完成更新”。本章作为课程导入，先建立背景认知、学习目标和核心概念，再给出贯穿后续章节的整体框架。
一、为什么金融模型必须考虑自动重训
金融数据具有显著的时变性和非平稳性。以信用风险模型为例，宏观经济周期变化会改变违约率；以反欺诈模型为例，黑产攻击手法会持续演化；以量化模型为例，因子有效性会随市场风格切换而衰减。如果模型长期不更新，常见后果包括：
- 概念漂移：输入特征与目标变量之间的真实关系发生变化，历史规律不再成立。
- 数据漂移：特征分布发生偏移，例如收入分布、交易金额分布、设备指纹分布改变。
- 性能衰减：AUC、KS、PSI、召回率等指标持续下降，但业务方未必能第一时间发现。
- 合规与审计压力：金融监管要求模型可解释、可追溯、可复现，重训过程必须留痕。
因此，自动重训不是简单地“定时跑一遍训练脚本”，而是一套包含监控、判断、触发、训练、验证、发布和回滚的工程化机制。它的核心价值在于：把模型维护从被动救火转为主动治理。
核心判断：自动重训的目标不是追求最高频更新，而是在模型性能、业务风险、计算成本和合规要求之间找到最优触发点。
二、学习目标与核心概念
完成本课程后，学员应能够理解并设计一套可落地的金融模型自动重训触发策略。具体目标包括：
- 识别金融场景中模型衰减的主要来源，区分数据漂移、概念漂移和业务规则变化。
- 掌握基于时间、性能、漂移和事件四类触发器的设计方法。
- 能够配置重训流水线，包括数据校验、特征回填、训练、评估、审批和发布。
- 理解灰度发布、影子模式、冠军挑战者、回滚策略在金融模型更新中的作用。
- 能够针对信用评分、反欺诈、量化交易等场景选择合理的触发阈值和重训频率。
本课程反复出现的核心概念如下：
| 概念 | 含义 | 金融场景示例 |
|---|---|---|
| 数据漂移 | 输入特征分布发生变化，但特征与目标关系未必改变 | 用户申请收入分布整体上移 |
| 概念漂移 | 特征与目标之间的真实映射关系发生变化 | 某类交易从正常变为欺诈 |
| 触发策略 | 决定何时启动重训的规则集合 | PSI>0.2 或 KS 下降超过15% |
| 重训流水线 | 从数据准备到模型发布的自动化流程 | Airflow + MLflow + 特征平台 |
| 灰度发布 | 新模型先服务小流量，验证后再全量 | 先对5%申请单使用新评分卡 |
| 回滚 | 新模型异常时快速恢复旧模型 | 线上AUC骤降时切回上一版本 |
三、核心原理：触发策略的四类信号
自动重训触发策略可以归纳为四类信号。理解这四类信号，是后续设计具体规则的基础。
- 时间触发：按固定周期重训，例如每日、每周、每月。优点是简单可控，缺点是可能错过突发漂移，也可能在稳定期浪费资源。
- 性能触发：监控线上或回溯评估指标，当AUC、KS、F1、召回率等低于阈值时触发。它最贴近业务效果，但依赖标签回流速度。
- 漂移触发：监控特征分布和预测分布，常用PSI、KL散度、KS检验等。它能在标签尚未回流时提前预警。
- 事件触发：由外部事件驱动，例如监管政策调整、市场剧烈波动、黑产攻击升级、重大促销活动。它适合解释突发性变化。
实际生产中，四类信号通常组合使用。例如：时间触发作为兜底，漂移触发作为早期预警，性能触发作为最终确认，事件触发作为紧急通道。下面是一个简化的触发判断逻辑：
if 当前日期 >= 下次计划重训日:
trigger("scheduled_retrain")
elif psi_score >= 0.20 or ks_drop_ratio >= 0.15:
trigger("drift_alert")
elif online_auc < 0.72 and label_delay_ready:
trigger("performance_degradation")
elif regulatory_event or market_crash:
trigger("event_driven")
else:
wait_and_monitor()提示：触发不等于立即全量发布。触发后应先进入重训流水线，再经过验证、审批和灰度发布，避免“一触发就上线”的高风险操作。
四、整体课程框架与典型场景
本课程共30章，围绕“背景—原理—设计—实现—案例—复盘”展开。第1章建立导入认知；后续章节将依次深入数据漂移检测、性能监控、触发器设计、流水线编排、模型注册、灰度发布、回滚机制、合规审计，以及信用评分、反欺诈、量化交易等场景的实战策略。
为了帮助学员建立全局视角，下面用一张SVG图展示自动重训触发策略的整体结构。图中从数据与模型监控出发，经过四类触发信号，进入重训流水线，最终到达发布与回滚，形成闭环。
结合上图，可以看到自动重训不是单点技术，而是一个闭环系统。监控层负责发现异常，触发层负责判断是否重训，重训流水线负责生产新模型，发布层负责安全上线，反馈与复盘则把结果反哺到阈值和策略中。
五、常见误区与复盘思路
误区一：把自动重训等同于定时训练。固定周期无法应对突发漂移，容易在关键时刻失效。
误区二：只看离线指标，不看线上表现。离线AUC提升不代表线上业务指标改善。
误区三：触发后直接全量替换。金融场景对稳定性要求极高，必须经过灰度、影子模式和回滚准备。
误区四：忽略标签延迟。反欺诈和信用风险场景中，标签可能数周后才回流，性能触发不能作为唯一依据。
复盘时，建议围绕四个问题展开：触发信号是否准确？重训数据是否代表当前分布？新模型是否通过业务验证？发布过程是否可回滚、可审计？只有把这些问题纳入常态化流程，自动重训才能真正成为金融模型治理的基础能力。