4. 漂移检测原理：特征分布漂移与模型分数漂移的区别与联系
在反洗钱（AML）模型监控中，特征分布漂移与模型分数漂移是两种核心的监测视角。理解二者的区别与联系，是设计高效PSI告警规则的前提。简单来说：特征漂移是“因”，模型分数漂移是“果”；特征漂移是输入层的变化，模型分数漂移是输出层的体现。
核心观点： 特征分布漂移是模型分数漂移的驱动因素。如果特征分布稳定，模型分数通常不会发生显著漂移；反之，模型分数漂移必然由某些特征的分布变化引起。
4.1 特征分布漂移（输入层漂移）
特征分布漂移指的是模型所使用的输入变量（如交易金额、交易频率、客户年龄、账户余额等）在时间维度上的统计分布发生变化。PSI（Population Stability Index）是衡量这种变化最常用的指标。
| 维度 | 说明 | AML场景示例 |
|---|---|---|
| 单变量漂移 | 单个特征的分箱占比变化 | “单笔交易金额”特征：过去以1-5万为主，现在大量集中在10-50万区间 |
| 多变量联合漂移 | 多个特征之间的相关结构变化 | “交易金额”与“交易频率”原本负相关，现在变为正相关 |
| 业务含义 | 客户行为模式、产品结构、渠道偏好等发生变化 | 新上线了跨境支付产品，导致“交易对手国家”特征分布剧变 |
实战要点： 在AML监控中，特征漂移告警通常需要设置“业务可解释性”阈值。例如，PSI > 0.1 时触发黄色告警，PSI > 0.25 时触发红色告警。但必须结合特征对模型输出的贡献度（如SHAP值）进行加权，避免对低重要性特征的微小波动过度告警。
4.2 模型分数漂移（输出层漂移）
模型分数漂移指的是模型输出的风险评分或预测概率的整体分布发生变化。这是业务人员最直观感受到的“模型变了”。模型分数漂移通常表现为：
- 分数整体抬升/下降： 所有客户的AML风险评分普遍升高或降低。
- 分数分布形态改变： 原本集中在低分段的客户，现在向高分段扩散。
- 高分客户占比突变： 触发人工调查的客户数量突然激增或骤减。
| 漂移类型 | PSI计算对象 | 业务影响 |
|---|---|---|
| 分数整体漂移 | 模型输出的风险分数 | 可能导致大量客户被误报或漏报，调查资源分配失衡 |
| 分数排序漂移 | 客户风险排名（Rank Order） | 原本低风险客户被排到高风险区，影响名单管理和优先级排序 |
4.3 区别与联系：因果链分析
特征分布漂移与模型分数漂移并非孤立存在，它们构成了一个完整的因果链。下面通过SVG图展示这一关系。
4.4 关键差异对比表
| 对比维度 | 特征分布漂移 | 模型分数漂移 |
|---|---|---|
| 监测对象 | 输入变量（如交易金额、频率、渠道） | 模型输出（风险评分、概率值） |
| PSI计算粒度 | 每个特征单独计算 | 整体分数分布计算 |
| 告警触发时间 | 通常更早（输入变化先发生） | 通常滞后（需要累积效应） |
| 业务可解释性 | 高（可直接定位到具体业务字段） | 低（只知道分数变了，不知道原因） |
| 误报率 | 较高（部分特征波动不影响模型输出） | 较低（分数变化直接反映模型效果） |
| 修复难度 | 中等（需判断是业务变化还是数据质量问题） | 高（可能需要重新训练或调整模型） |
4.5 实战中的联动分析框架
在AML模型监控系统中，不能孤立地看特征漂移或分数漂移。推荐采用三层联动分析框架：
- 第一层：特征级PSI监控 —— 对所有连续型特征按月计算PSI，标记PSI > 0.1的特征。
- 第二层：模型级PSI监控 —— 对模型输出分数按月计算PSI，标记PSI > 0.1的月份。
- 第三层：归因分析 —— 当模型分数PSI告警时，自动回溯哪些特征的PSI也同时告警，并计算每个特征对分数漂移的贡献度（如使用Shapley值或特征重要性加权）。
常见陷阱： 不要仅依赖模型分数PSI告警。实践中经常出现“分数PSI正常，但某个关键特征已经发生严重漂移”的情况。例如，特征A和特征B的漂移方向相反，在模型内部相互抵消，导致分数分布看似稳定，但模型决策逻辑已经发生根本性变化。这种“隐藏漂移”是AML监控中最危险的情况之一。
4.6 小结
特征分布漂移与模型分数漂移是AML模型监控的一体两面。特征漂移是预警信号，分数漂移是最终警报。一个成熟的PSI告警规则体系，应当同时覆盖输入层和输出层，并建立从特征漂移到分数漂移的可追溯归因链路。只有这样，才能在AML业务场景中快速定位问题根源，避免模型失效带来的合规风险。