1. 课程导论：因子库漂移的概念、告警阈值的重要性、动态调整的必要性
1.1 什么是因子库漂移？
在量化风控体系中，因子库是由数百个衍生特征（如收入负债比、近30天查询次数、设备指纹异常分等）组成的特征集合，用于驱动信用评分、欺诈识别等模型。当线上实时数据分布与模型训练时使用的历史数据分布产生系统性偏差时，即发生因子库漂移。
漂移的本质是特征统计属性的变化，常见表现包括：
- 均值漂移：如“近7天消费金额”均值从￥3,200 上升至￥4,800
- 方差漂移：如“设备活跃时长”标准差从2.1小时扩大至4.5小时
- 缺失率漂移：如“公积金缴纳状态”缺失率从5% 跳升至23%
- 分布形态漂移：如“年龄”从正态分布变为双峰分布
关键认知：因子库漂移 ≠ 模型失效。轻度漂移可通过阈值调整自适应；重度漂移才需模型重训。告警阈值正是区分“轻/重”的决策边界。
1.2 告警阈值的重要性
告警阈值是判断漂移是否达到“需要关注”或“需要干预”的量化标尺。阈值设置不当会引发两类风险：
| 阈值类型 | 后果 | 业务影响 |
|---|---|---|
| 阈值过松 | 漏报（False Negative） | 漂移累积至模型崩塌才被发现，造成坏账率飙升或通过率异常 |
| 阈值过紧 | 误报（False Positive） | 频繁触发告警，运维团队“狼来了”疲劳，真实漂移被淹没 |
| 静态阈值 | 无法适应业务周期 | 大促期间正常波动被误判为漂移，淡季真实漂移被漏判 |
一个合理的告警阈值需要在召回率与精确率之间取得平衡，同时具备对业务节奏的适应性。
1.3 动态调整的必要性
静态阈值在真实生产环境中几乎必然失效，原因包括：
- 业务周期性：电商大促、节假日、发薪日等导致特征分布自然波动
- 客群迁徙：产品推广策略变化带来新客群，特征分布随之改变
- 数据链路变更：埋点升级、数据源替换、ETL逻辑调整引发统计偏移
- 宏观环境冲击：政策调整、经济周期、突发事件（如疫情）造成系统性漂移
动态调整的核心目标是：让阈值跟随数据分布的“正常波动”自适应移动，仅在“异常波动”时触发告警。这需要一套闭环机制：
动态调整闭环： 实时统计 → 漂移度量计算 → 阈值自适应更新 → 告警判定 → 反馈回传 → 阈值策略优化
1.4 动态阈值 vs 静态阈值：核心差异
| 对比维度 | 静态阈值 | 动态阈值 |
|---|---|---|
| 基准设定 | 基于训练集固定值（如 PSI > 0.1） | 基于滑动窗口统计量（如均值±3σ） |
| 更新频率 | 人工手动调整，月/季度级 | 自动化更新，小时/天级 |
| 适应性 | 无法区分“正常波动”与“异常漂移” | 自动跟随业务节奏，降低误报率 |
| 运维成本 | 低（一次设定）但风险高 | 中（需维护算法）但收益高 |
| 适用场景 | 特征分布极度稳定、业务无周期 | 大多数生产环境，尤其是金融、电商 |
1.5 本案例实战目标
本课程将基于一个真实的消费金融风控因子库（包含120+特征），完整演示：
- 如何选择漂移度量指标（PSI、KL散度、Population Stability Index 变体）
- 如何设计滑动窗口自适应阈值算法（EWMA、分位数跟踪、贝叶斯变更点检测）
- 如何构建告警分级体系（提示级、警告级、严重级）
- 如何通过回测验证动态阈值相比静态阈值的性能提升
前置提醒：动态阈值不是“万能药”。当因子库发生结构性漂移（如业务模式彻底改变）时，动态阈值只能延缓模型衰退，最终仍需模型重训或特征重构。本案例聚焦于“可自适应”的漂移场景。