📚 课程目录第4章漂移检测框架

4、漂移检测框架：基于模型性能监控的漂移检测思路、PSI与XGBoost结合的整体架构

贷后预警模型上线后，特征分布与模型性能并非一成不变。借款人行为、宏观经济、业务策略的变化都会导致特征分布发生偏移，进而引发模型预测能力的衰退。本章构建一套完整的漂移检测框架，将模型性能监控与特征分布监控有机结合，并引入XGBoost作为异常特征定位的核心引擎。

4.1 漂移检测的双层架构

漂移检测不能仅依赖单一指标。我们采用“性能层 + 特征层”的双层监控架构，先通过模型性能指标发现异常，再通过特征分布指标定位根因。

监控层级	核心指标	检测目标	触发动作
性能层	KS、AUC、Lift、Gini	模型区分能力是否衰退	触发告警，启动特征层诊断
特征层	PSI、特征重要性变化、分位数偏移	定位导致性能衰退的具体特征	输出漂移特征清单，进入XGBoost归因

  关键原则：性能层是“哨兵”，特征层是“侦察兵”。先确认模型确实变差，再寻找变差的原因，避免因自然波动而误报。

4.2 基于模型性能监控的漂移检测思路

模型性能监控的核心是对比：将当前时间窗口（如最近7天、30天）的模型表现与基准期（如模型刚上线时的验证集表现）进行对比。常用的检测方法包括：

KS统计量监控：计算当前窗口的KS值，若相比基准期下降超过预设阈值（如绝对下降0.05），则触发告警。
AUC滚动窗口监控：以滑动窗口方式计算AUC，观察其趋势是否出现持续下行。
PSI性能等价监控：将模型预测分数（Score）视为一个分布，计算当前窗口与基准窗口的PSI，若PSI > 0.25，则认为模型性能发生显著偏移。

实践建议：性能监控的窗口大小应与业务周期对齐。例如，消费贷产品通常以7天或30天为窗口；而按揭贷款因违约周期长，建议使用90天窗口。

4.3 PSI与XGBoost结合的整体架构

PSI（Population Stability Index）是衡量特征分布偏移的经典指标，但它只能告诉你“哪个特征变了”，无法告诉你“变化是否导致了模型性能下降”。XGBoost的引入，正是为了解决这个“归因”问题。

整体架构分为四个阶段：

特征PSI计算与筛选：对每个特征计算当前窗口与基准窗口的PSI，筛选出PSI > 0.1（轻度偏移）或PSI > 0.25（重度偏移）的特征。
XGBoost漂移检测模型训练：以“当前样本 vs 基准样本”为二分类目标，训练XGBoost模型。若模型能有效区分两个时期的样本，说明存在系统性漂移。
特征重要性归因：利用XGBoost的特征重要性（Gain、Cover、Frequency）识别导致漂移的关键特征。
联合决策：综合PSI排名与XGBoost特征重要性排名，输出最终漂移特征清单。

注意：PSI与XGBoost的结论可能不一致。PSI高的特征不一定对模型性能有显著影响；XGBoost识别出的重要特征，其PSI可能很低。此时应以XGBoost的归因结果为主，因为其直接关联模型预测能力。

4.4 整体架构流程图

下图展示了从数据输入到漂移特征输出的完整链路：

4.5 PSI与XGBoost的协同机制

PSI与XGBoost并非简单的串联关系，而是并行计算、交叉验证的协同机制。下表对比了两者的核心差异：

维度	PSI	XGBoost漂移检测
检测对象	单个特征的分布变化	所有特征联合分布的系统性变化
输出结果	每个特征的PSI值	特征重要性排名（Gain/Frequency）
对模型性能的关联	间接关联（分布变化不一定影响模型）	直接关联（模型能区分则说明影响存在）
计算复杂度	低，可全量特征计算	较高，需训练模型
适用场景	快速筛查、日常监控	深度归因、根因分析

4.6 联合决策的量化规则

在实际工程中，我们采用加权评分法对PSI和XGBoost的结果进行融合：

# 联合决策伪代码
def joint_decision(psi_dict, xgb_importance_dict, psi_threshold=0.1, top_k=10):
    """
    psi_dict: {feature_name: psi_value}
    xgb_importance_dict: {feature_name: gain_value}
    """
    # 1. PSI筛选：保留PSI > 0.1的特征
    psi_features = {k: v for k, v in psi_dict.items() if v > psi_threshold}
    
    # 2. XGBoost筛选：保留Top-K重要特征
    sorted_xgb = sorted(xgb_importance_dict.items(), key=lambda x: x[1], reverse=True)
    xgb_features = dict(sorted_xgb[:top_k])
    
    # 3. 加权评分：PSI权重0.4，XGBoost权重0.6
    combined_score = {}
    all_features = set(psi_features.keys()) | set(xgb_features.keys())
    for feat in all_features:
        psi_score = psi_features.get(feat, 0) * 0.4
        xgb_score = xgb_importance_dict.get(feat, 0) * 0.6
        combined_score[feat] = psi_score + xgb_score
    
    # 4. 输出最终漂移特征清单（按综合得分降序）
    return sorted(combined_score.items(), key=lambda x: x[1], reverse=True)

  工程落地要点：
  PSI阈值建议根据特征分箱数动态调整：分箱数越多，PSI阈值可适当放宽。
XGBoost训练时，正负样本比例应尽量平衡（当前窗口样本 vs 基准窗口样本），避免类别不平衡导致模型失效。
联合决策的频率建议与模型重训练周期一致，通常为每周或每月一次。

4.7 漂移检测的闭环反馈

漂移检测不是一次性的动作，而是一个持续迭代的闭环。下图展示了从检测到修复的完整链路：

4.8 本章小结

本章构建的漂移检测框架，以模型性能监控为入口，以PSI为快速筛查工具，以XGBoost为深度归因引擎，形成了完整的检测-定位-修复闭环。在实际部署中，建议将此框架封装为自动化流水线，每日/每周定时执行，并将结果推送到告警系统与模型管理平台。