2、因子失效的定义：因子失效的常见表现、因子失效对模型预测能力的影响、因子失效与阈值漂移的关联
在风控模型的生命周期中，因子失效（Feature Decay / Feature Drift）是指某个或某组入模特征随时间推移，其与目标变量（如逾期、违约）之间的统计关系发生实质性改变，导致该特征对模型输出的贡献度下降或完全丧失。因子失效是模型退化的核心诱因，也是阈值漂移巡查必须优先识别的风险信号。
2.1 因子失效的常见表现
因子失效并非单一现象，而是多种数据与业务形态变化的综合结果。根据失效的成因与外在特征，可归纳为以下四类典型表现：
| 失效类型 | 核心表现 | 典型业务场景 |
|---|---|---|
| 分布偏移 | 特征值的均值、方差、分位数等统计量发生显著变化 | 用户年龄结构年轻化、收入分布整体上移 |
| 关系逆转 | 特征与目标变量的正/负相关方向发生反转 | “多头借贷次数”从风险正向指标变为风险负向指标 |
| 区分度衰减 | 特征在好坏样本之间的IV值（信息量）持续下降 | “近3个月查询次数”IV从0.15降至0.03 |
| 缺失率突变 | 特征缺失率突然升高或降低，破坏模型输入完整性 | 某三方数据源接口升级导致字段返回为空 |
实战提示： 分布偏移与区分度衰减是最容易被阈值巡查捕捉到的失效类型。当特征分布整体右移时，即使模型权重未变，原始阈值也会因分数分布变化而失效。
2.2 因子失效对模型预测能力的影响
因子失效会从三个维度直接侵蚀模型的预测能力，最终表现为模型性能指标的全面下滑：
- 区分能力下降： AUC（Area Under the Curve）持续走低，模型无法有效分离好、坏客户。失效因子越多，AUC下降速度越快。
- 校准度偏移： 模型预测概率与实际违约率之间的偏差扩大。例如，模型预测某客群违约率为5%，实际违约率已升至12%。
- 排序稳定性恶化： 模型分数对客户风险排序的稳定性变差，PSI（Population Stability Index）超过0.25阈值，表明分数分布已发生结构性改变。
量化参考： 单个核心因子失效通常导致模型AUC下降0.02~0.05；若同时有3个以上因子失效，AUC可能骤降0.10以上，模型基本丧失可用性。
2.3 因子失效与阈值漂移的关联
因子失效与阈值漂移之间存在因果传导关系。理解这一关联，是建立有效巡查机制的前提。两者并非独立事件，而是模型退化链条上的上下游环节：
- 因子失效是“因”： 特征分布或关系的变化，直接导致模型输出分数的分布发生偏移。例如，某强特征均值上升，会使整体分数偏高。
- 阈值漂移是“果”： 分数分布偏移后，原始固定阈值对应的通过率、坏账率等业务指标随之改变，阈值不再处于最优决策位置。
- 双向反馈： 阈值调整不当（如过度收紧）可能反向改变客群结构，加速某些因子的失效速度，形成恶性循环。
关键认知： 阈值漂移巡查的核心目标不是“调整阈值”，而是通过阈值漂移信号反向定位失效因子。只调阈值不修复因子，相当于只换温度计不灭火源。
巡查策略启示： 在阈值漂移巡查中，应优先计算每个入模因子的PSI（特征稳定性指标）和IV趋势。当发现某个因子PSI > 0.1且IV持续下降时，即可判定该因子已进入失效通道，需立即启动因子替换或模型重建流程。