3. 重训触发策略概览
在金融模型的生命周期管理中，重训触发策略决定了模型何时从“在线服务”切换到“重新学习”状态。触发过早会浪费算力并引入不必要的模型波动，触发过晚则会让模型在概念漂移中持续失效。本节将五类主流触发策略——定时触发、性能触发、数据触发、事件触发与混合触发——放在同一坐标系中对比，帮助你建立策略选型的判断框架。
核心原理：触发信号从哪里来
任何重训触发策略，本质上都在回答三个问题：监测什么信号、信号达到什么阈值、触发后执行什么动作。五类策略的差异，首先体现在监测信号的不同来源上。
- 定时触发：信号来自时钟。按固定周期（每日、每周、每月）强制重训，不依赖任何外部指标。
- 性能触发：信号来自模型评估指标。当AUC、KS、IC、RMSE等跌破阈值时触发。
- 数据触发：信号来自输入数据分布。当PSI、KL散度、特征均值漂移超过容忍度时触发。
- 事件触发：信号来自业务或市场事件。如监管政策变更、财报季、利率调整、黑天鹅事件。
- 混合触发：组合上述多种信号，通过逻辑门（AND/OR）或优先级仲裁决定是否重训。
理解这一分类的关键在于：定时触发是“开环”策略，其余四类都是“闭环”策略。开环策略不感知模型状态，闭环策略则依赖监测反馈。闭环策略的代价是需要建设监控管道，收益是重训时机更精准。
方法流程：从信号到重训的完整链路
无论采用哪种触发策略，一个可落地的重训系统通常包含以下环节：
- 信号采集：从推理日志、特征平台、评估服务中拉取指标。
- 阈值判定：将当前指标与基线或容忍区间比较。
- 触发决策：单信号直接触发，或多信号经仲裁逻辑触发。
- 重训任务编排：拉起训练流水线，准备训练数据快照。
- 模型验证与灰度：新模型通过离线评估后进入影子模式或小流量灰度。
- 上线与回滚：灰度达标后全量替换，否则回滚并记录触发原因。
下面是一段典型的性能触发配置示例，用于信用评分卡模型：
trigger:
type: performance
metric: ks
window: 7d
baseline: 0.42
threshold: 0.35
consecutive_breaches: 3
action:
retrain: true
notify: [model-risk, quant-team]
min_interval: 14d
该配置表示：连续3个7天窗口的KS低于0.35时触发重训，且两次重训间隔不少于14天，避免频繁抖动。
五类策略对比清单
| 策略类型 | 监测信号 | 优点 | 局限 | 典型场景 |
|---|---|---|---|---|
| 定时触发 | 时钟周期 | 实现简单、可预测、易审计 | 可能过早或过晚，算力浪费 | 监管要求定期重训的评分卡 |
| 性能触发 | AUC/KS/IC/RMSE | 直接反映模型失效，业务可解释 | 指标滞后，依赖标签回流速度 | 有明确标签的信贷、风控模型 |
| 数据触发 | PSI/KL/均值漂移 | 无需标签，能提前预警 | 漂移不等于性能下降，易误报 | 特征高频变化的营销、反欺诈 |
| 事件触发 | 政策/市场/业务事件 | 捕捉结构性突变，响应及时 | 事件定义主观，难以自动化 | 利率调整、监管新规、财报季 |
| 混合触发 | 多信号组合 | 兼顾灵敏度与稳定性 | 逻辑复杂，调参成本高 | 大型机构的多模型治理平台 |
选型建议：如果模型有稳定标签回流且业务对可解释性要求高，优先性能触发；如果标签回流慢或没有标签，用数据触发做前置预警；监管强制周期重训的场景，用定时触发兜底；重大政策或市场事件频发的领域，叠加事件触发；资源充足时，用混合触发做最终仲裁。
案例场景：混合触发在反欺诈模型中的落地
某支付机构的反欺诈模型采用混合触发策略，其仲裁逻辑如下：
if event == "regulatory_change":
retrain(priority="high")
elif psi(feature_set) > 0.25 and ks < 0.30:
retrain(priority="high")
elif ks < 0.35 for 3 consecutive days:
retrain(priority="medium")
elif days_since_last_train >= 30:
retrain(priority="low")
else:
skip()
该逻辑体现了混合触发的核心思想：事件触发拥有最高优先级，数据与性能联合条件次之，纯性能条件再次，定时触发作为兜底。这样既能在监管突变时立即响应，又能在日常漂移中保持稳定，同时避免无意义的频繁重训。
误区与复盘
常见误区一：把数据漂移等同于模型失效。PSI升高只说明输入分布变了，模型可能依然有效。建议数据触发只作为预警，最终重训决策结合性能指标。
常见误区二：定时触发周期拍脑袋。周期过长会错过漂移，过短会引入噪声。应基于历史回测确定“性能衰减半衰期”，再设定周期。
常见误区三：忽略重训成本与模型稳定性。频繁重训会导致线上模型版本抖动，增加运维和合规负担。混合触发中应设置最小重训间隔和冷却期。
常见误区四：触发后不记录原因。每次重训都应记录触发信号、阈值、快照数据版本，否则事后无法复盘模型为何失效。
复盘时建议回答三个问题：触发信号是否真实反映了模型退化？重训后的模型是否在样本外持续优于旧模型？触发频率是否在可接受范围内？如果答案是否定的，就需要调整阈值、窗口或仲裁逻辑。
掌握这五类触发策略的分类与对比，是设计重训系统的第一步。实际落地时，建议从单一策略起步，积累监控数据后再逐步引入混合仲裁，避免一开始就陷入复杂的逻辑调参。