2. 特征漂移基础：什么是特征漂移、漂移的类型与模型影响
在贷后风控场景中，模型上线后并非一成不变。借款人行为、宏观经济环境、数据采集方式等都会随时间变化，导致模型输入特征的统计分布发生改变。这种改变就是特征漂移。理解特征漂移是监控模型稳定性的第一步，也是使用 PSI 进行预警的理论基础。
核心定义：特征漂移（Feature Drift）是指模型训练时使用的特征分布，与模型上线后实际生产环境中的特征分布之间出现显著差异的现象。漂移一旦发生，模型对风险的判断力就会下降，直接导致贷后预警失效。
2.1 特征漂移的三种主要类型
根据统计特征变化的不同维度，特征漂移可分为以下三类。在实际贷后数据中，它们往往同时出现，但监控时需分别关注。
| 漂移类型 | 关注维度 | 贷后场景举例 | 对模型的影响 |
|---|---|---|---|
| 均值漂移 | 特征的中心位置（均值/中位数） | 借款人月收入均值从 8000 元降至 6000 元 | 评分卡整体偏向高风险，逾期率上升 |
| 方差漂移 | 特征的离散程度（标准差/极差） | 负债收入比的波动范围从 ±10% 扩大到 ±30% | 模型区分度下降，高风险与低风险客户混淆 |
| 分布漂移 | 整体概率分布形状（偏度/峰度/多峰） | 年龄分布从单峰变为双峰（新客群涌入） | 模型决策边界失效，需要重新训练 |
实战提示：在贷后预警监控中，分布漂移的危害最大，因为它意味着数据生成机制（Data Generating Process）发生了根本性变化。均值漂移和方差漂移通常可以通过模型校准部分修复，而分布漂移往往需要重建模型。
2.2 漂移类型可视化对比
下图用模拟数据展示了三种漂移在特征分布上的直观差异。蓝色曲线代表训练集（基准分布），红色曲线代表生产环境（当前分布）。
2.3 漂移对贷后模型的具体影响
特征漂移对贷后预警模型的影响是系统性的，从预测精度到业务决策都会受到冲击。以下从三个层面展开：
- 预测精度下降：模型在训练集上学习到的特征与目标变量之间的关系，在生产环境中不再成立。例如，训练集中“月收入 > 1 万”对应低风险，但漂移后高收入群体也可能因负债率飙升而违约。
- 模型校准失效：模型的输出概率不再反映真实逾期率。原本 70% 的预测分数对应 70% 的逾期率，漂移后可能对应 50% 或 90%，导致贷后资源错配。
- 业务决策误判：基于模型分数设定的预警阈值（如红色预警线）变得不准确。大量正常客户被误判为高风险（误报），或高风险客户被遗漏（漏报），直接造成资金损失。
⚠ 贷后场景特别警示：特征漂移在贷后预警中具有累积放大效应。初期微小的均值漂移可能被忽略，但随着时间推移，方差和分布漂移叠加，模型性能会断崖式下跌。建议至少每周计算一次 PSI，并设置三级预警阈值（黄灯/橙灯/红灯）。
2.4 漂移影响传导路径
下图展示了特征漂移如何从数据层传导至业务决策层，形成完整的风险链条。
2.5 漂移检测的常见误区
- 只看均值不看分布：均值不变不代表分布稳定。方差漂移和分布漂移在均值不变时仍可能发生，导致模型性能下降。
- 忽略业务周期：贷后数据存在明显的月度、季度和年度周期（如节假日消费、年底还款潮）。周期性波动不是漂移，需要先做季节调整再检测。
- 一次性检测：漂移是持续过程，不是一次性事件。建议建立滚动时间窗口（如最近 30 天 vs 基准期）进行连续监控。
关键总结：特征漂移是贷后预警模型失效的根本原因之一。均值漂移、方差漂移、分布漂移分别从不同维度侵蚀模型性能。只有通过 PSI 等指标持续监控，才能及早发现漂移并触发模型更新或特征工程调整，确保贷后风控体系始终有效。