4. 阈值漂移的类型：均值漂移、方差漂移、分位数漂移、联合分布漂移
在风控模型上线后，特征分布并非一成不变。阈值漂移（Threshold Drift）是指模型评分或关键特征在时间维度上发生系统性偏移，导致原有拒绝/通过阈值失效。根据分布变化的数学形态，阈值漂移可归纳为以下四种核心类型。
4.1 四种漂移类型对比
| 漂移类型 | 数学定义 | 典型表现 | 对阈值的影响 |
|---|---|---|---|
| 均值漂移 | 分布中心位置（μ）发生平移 | 整体评分下降 20 分 | 固定阈值下拒绝率骤升 |
| 方差漂移 | 分布离散程度（σ²）扩大或缩小 | 高分与低分群体同时增多 | 阈值两端误判风险增加 |
| 分位数漂移 | 特定分位点（如 P5/P95）发生非对称偏移 | 尾部极端值比例异常 | 极端样本通过率失真 |
| 联合分布漂移 | 多变量间相关结构（Copula）改变 | 收入与负债比联动关系断裂 | 组合规则集整体失效 |
4.2 均值漂移（Mean Shift）
均值漂移是最直观的漂移形式，指特征或评分的整体水平发生平移。例如，由于宏观经济下行，申请人群的月收入均值从 12,000 元降至 9,500 元。此时，原有基于均值 ± 2σ 设定的阈值将不再适用。
检测指标： 使用双样本 t 检验或 Z 检验，比较窗口期均值与基准期均值的差异显著性。当 p-value < 0.05 且效应量（Cohen's d）> 0.2 时，判定为均值漂移。
4.3 方差漂移（Variance Shift）
方差漂移表现为分布宽度的变化，而均值可能保持不变。例如，某信用评分原本集中在 600-700 分区间，方差漂移后分布变得扁平，400 分以下和 800 分以上的样本同时增加。这会导致阈值两端的错误拒绝（FPR）和错误通过（FNR）同时恶化。
实战案例： 某消费金融产品在 2023 年 Q4 发现评分方差扩大 40%，经排查发现是数据源接口升级导致部分字段缺失值被默认填充为 0，人为拉大了分布离散度。
4.4 分位数漂移（Quantile Shift）
分位数漂移关注分布尾部的非对称变化。均值可能未变，但高分位数（如 P95）或低分位数（如 P5）发生显著偏移。这在风控中尤为危险，因为阈值通常设置在尾部区域（如拒绝线在 P10）。
- 右尾漂移： P95 上升，高分群体更极端，可能掩盖欺诈风险。
- 左尾漂移： P5 下降，低分群体更集中，拒绝阈值需左移以维持通过率。
- 双尾漂移： 两端同时外扩，常见于数据质量恶化或客群结构突变。
4.5 联合分布漂移（Joint Distribution Shift）
联合分布漂移是最复杂、最隐蔽的类型。即使每个单变量分布都稳定，变量间的相关性或依赖结构也可能发生改变。例如，收入与负债比的联合分布原本呈线性负相关，漂移后变为 U 型关系，导致基于线性假设的评分卡失效。
注意： 联合分布漂移无法通过单变量监控发现，必须使用多变量漂移检测方法，如最大均值差异（MMD）、分类器两样本检验或 Copula 参数变化检测。
4.6 漂移类型识别流程
下图展示了从检测到定位漂移类型的标准巡查流程：
4.7 漂移类型与检测方法对照
| 漂移类型 | 推荐检测方法 | 统计量 | 阈值参考 |
|---|---|---|---|
| 均值漂移 | 双样本 t 检验、Z 检验 | t 值 / Z 值 | p < 0.05 |
| 方差漂移 | F 检验、Levene 检验 | F 值 | p < 0.05 |
| 分位数漂移 | 分位数回归、KS 检验 | D 统计量 | D > 0.1 |
| 联合分布漂移 | MMD、分类器两样本检验 | MMD² / AUC | MMD² > 0.02 或 AUC > 0.6 |
最佳实践： 建议建立分层巡查策略——每日运行均值与方差漂移检测（计算成本低），每周运行分位数漂移检测，每月运行联合分布漂移检测（计算成本高）。当模型性能指标（如 KS、AUC）出现异常波动时，立即触发全类型检测。