4. 因子漂移概述：因子分布漂移与预测能力漂移的区别与联系
在风控模型监控中，因子漂移是触发模型失效预警的核心信号。因子漂移并非单一现象，而是包含两个既相互独立又紧密关联的维度：因子分布漂移（特征分布变化）与预测能力漂移（特征与目标关系变化）。理解二者的区别与联系，是正确选择监控指标（PSI / IC）的前提。
4.1 因子分布漂移：特征自身的“形变”
因子分布漂移衡量的是单个特征在时间维度上的分布一致性。当某个特征的取值分布从训练集到监控集发生显著变化时，即发生了分布漂移。这种漂移不直接反映特征与标签的关系，而是反映特征本身的“生态”是否稳定。
典型场景：用户收入特征在训练集上呈正态分布（均值 8k，标准差 3k），但在监控集上整体右移（均值 12k，标准差 5k）。此时收入特征的分布已发生漂移，但该特征对违约的区分能力可能并未改变。
| 维度 | 因子分布漂移 |
|---|---|
| 关注对象 | 特征自身的统计分布（均值、方差、分位数、类别占比） |
| 典型指标 | PSI（群体稳定性指标）、KS 统计量、分布距离（如 Wasserstein 距离） |
| 漂移方向 | 特征取值整体偏移、方差扩大/缩小、类别分布失衡 |
| 是否依赖标签 | 否，仅需特征数据即可计算 |
| 监控频率 | 通常较高（每日/每周），作为早期预警 |
4.2 预测能力漂移：特征与目标关系的“质变”
预测能力漂移衡量的是特征对目标变量（如违约/好坏）的区分能力或排序能力是否发生变化。即使特征分布完全不变，如果特征与标签之间的统计关系发生改变，模型的预测逻辑也会失效。
关键认知：预测能力漂移是模型失效的“直接原因”。分布漂移可能引发预测能力漂移，但并非必然；反之，预测能力漂移也可能在分布不变的情况下发生（如客群行为模式突变）。
| 维度 | 预测能力漂移 |
|---|---|
| 关注对象 | 特征与目标变量之间的关联强度、排序一致性 |
| 典型指标 | IC（信息系数）、IV（信息值）、特征重要性衰减、AUC 变化 |
| 漂移方向 | 区分能力下降、排序反转、单调性破坏 |
| 是否依赖标签 | 是，需要真实标签或代理标签 |
| 监控频率 | 通常较低（每周/每月），依赖标签回传 |
4.3 区别与联系：从“形变”到“质变”的传导
两种漂移并非孤立存在，而是构成一条从特征层到模型层的传导链条。下面通过一个结构图展示二者的关系与联合监控逻辑。
4.4 四种组合状态与应对策略
通过 PSI 与 IC 的联合监控，可以将因子漂移状态划分为四种典型组合，每种组合对应不同的业务含义和处置优先级：
| PSI（分布漂移） | IC（预测能力漂移） | 状态描述 | 处置建议 |
|---|---|---|---|
| 高 | 高 | 分布变化但区分能力未降，特征与目标关系仍稳健 | 持续监控，检查分布变化原因（如客群结构自然演变） |
| 高 | 低 | 最危险状态：分布与能力双重漂移，模型逻辑已失效 | 立即触发模型重训，排查特征工程或数据源问题 |
| 低 | 高 | 理想状态：特征分布稳定，预测能力保持良好 | 维持常规监控频率，无需干预 |
| 低 | 低 | 分布未变但能力衰减，通常由客群行为模式突变导致 | 深入分析业务环境变化，考虑引入新特征或调整模型 |
实践避坑：不要仅依赖 PSI 或 IC 单一指标。PSI 低不代表模型安全（IC 可能已衰减）；PSI 高也不一定需要立即重训（IC 可能仍稳健）。只有将二者联合解读，才能准确判断漂移的严重程度与根因。
4.5 从分布漂移到能力漂移的传导路径
在实际业务中，因子分布漂移通常先于预测能力漂移被检测到（因为 PSI 无需标签，可高频计算）。但分布漂移是否会传导为能力漂移，取决于以下因素：
- 特征与目标的非线性关系：若特征在局部区间内对目标有稳定区分力，整体分布偏移可能不影响排序能力（PSI 高但 IC 不变）。
- 特征重要性权重：低重要性特征的分布漂移对模型整体影响有限，高重要性特征的分布漂移则需高度警惕。
- 漂移方向与决策边界：若分布向决策边界方向偏移（如收入特征向低分客群集中），能力漂移风险显著上升。
因此，联合监控的核心逻辑是：用 PSI 做“广谱扫描”，用 IC 做“精准诊断”。PSI 触发预警后，立即计算对应特征的 IC 变化，判断是否需要进入模型重训流程。