1. 阈值漂移概述
1.1 阈值漂移的定义
阈值漂移（Threshold Drift）是指在风控模型部署上线后，由于客群结构、宏观经济环境、数据采集方式或业务策略的变化，导致模型评分分布发生系统性偏移，进而使得原先设定的决策阈值（如拒绝线、预警线）不再适用于当前数据分布的现象。
从数学角度看，阈值漂移表现为模型输出分数 s 的条件分布 P(s | Y) 随时间发生显著变化，而模型参数本身并未更新。这种分布变化直接导致基于固定阈值 t 的决策规则失效：
原始决策规则：if score >= t → 通过；else → 拒绝
漂移后效果：实际通过率偏离预期，坏账率上升或通过率骤降
核心要点：阈值漂移 ≠ 模型参数退化。模型权重可能完全正确，但输入数据分布变了，阈值自然失效。
1.2 阈值漂移在风控中的重要性
在信贷风控、反欺诈、交易监控等场景中，阈值是连接模型输出与业务决策的“最后一公里”。阈值漂移一旦发生，将直接冲击以下三个关键指标：
| 影响维度 | 具体表现 | 业务后果 |
|---|---|---|
| 通过率 | 高分客群占比下降，低分客群占比上升 | 审批量骤减，营收受损 |
| 坏账率 | 原阈值下通过的用户实际违约率升高 | 资产质量恶化，拨备增加 |
| 模型区分度 | KS / AUC 虽未明显下降，但阈值点附近密度变化 | 决策边界失效，误判率上升 |
阈值漂移的隐蔽性在于：模型整体的区分能力（如 AUC）可能仍然维持在较高水平，但阈值附近的局部密度已经发生严重扭曲。此时若不做阈值巡查，风控团队往往在坏账数据滞后 3~6 个月后才发现问题，造成不可逆的损失。
1.3 阈值漂移与模型退化的关系
阈值漂移与模型退化（Model Degradation）是两种不同但高度关联的现象。理解二者的区别与联系，是建立有效巡查机制的前提。
| 对比维度 | 阈值漂移 | 模型退化 |
|---|---|---|
| 根本原因 | 输入数据分布变化（客群、渠道、宏观环境） | 模型参数过时、特征失效、过拟合衰减 |
| 影响范围 | 主要影响阈值附近的决策边界 | 影响全评分区间的排序能力 |
| 检测指标 | PSI、通过率偏移、阈值点密度变化 | KS / AUC 下降、特征重要性漂移 |
| 修复方式 | 阈值重校准、分群阈值调整 | 模型重训练、特征工程重构 |
| 发生速度 | 可快可慢（政策变化时数天内发生） | 通常较慢（数月到一年） |
阈值漂移往往是模型退化的“前哨信号”。当数据分布发生偏移时，模型在训练集上习得的特征权重与真实环境之间的匹配度逐渐下降，若长期不干预，最终会演变为全面的模型退化。因此，阈值漂移巡查不仅是决策层的维护手段，更是模型健康度的早期预警机制。
常见误区：很多团队只关注 AUC/KS 等全局指标，认为指标没降模型就没问题。实际上，阈值漂移可以在全局指标不变的情况下，让业务损失数百万。阈值巡查必须独立于模型监控体系单独设立。
1.4 阈值漂移的典型触发场景
在实际风控运营中，以下三类场景最容易触发阈值漂移，需要重点巡查：
- 客群结构突变：新渠道上线、营销活动引流、产品利率调整导致申请客群画像偏移。
- 宏观环境冲击：经济下行、行业政策收紧、疫情等外部冲击导致还款能力整体下降。
- 数据链路变更：数据源切换、埋点升级、特征计算逻辑修改导致评分分布系统性偏移。
巡查频率建议：对于高流量产品（日申请量 > 1000），建议每日自动计算 PSI 和通过率偏移；对于中低流量产品，至少每周巡查一次。阈值漂移发现越早，修复成本越低。