1. 课程导论：什么是Tick数据、坏账率、PSI，以及为什么需要监控漂移
在金融风控的实时决策场景中，数据分布并非一成不变。用户行为、市场环境、产品策略的微小变化，都可能引发模型输入特征的“静默漂移”，最终导致坏账率失控。本章作为课程起点，将厘清三个核心概念——Tick数据、坏账率、群体稳定性指标（PSI），并解释为何必须对漂移进行持续监控。
1.1 Tick数据：实时风控的“心跳”
Tick数据是金融交易与风控系统中最细粒度的数据单元。在信贷场景中，它通常指用户每一次操作事件（如申请、登录、修改资料、还款尝试）所触发的实时数据快照。
| 特征 | 说明 |
|---|---|
| 粒度 | 事件级，每笔请求或操作生成一条记录 |
| 时效性 | 毫秒至秒级延迟，反映当前时刻的用户状态 |
| 典型字段 | 用户ID、时间戳、设备指纹、IP、行为类型、金额、模型评分 |
| 用途 | 实时决策引擎、反欺诈拦截、额度动态调整 |
关键认知： Tick数据是风控模型实时推理的“输入燃料”。如果Tick数据的分布发生漂移，模型输出的坏账率预测将不再可靠。
1.2 坏账率：风控效果的最终标尺
坏账率（Bad Debt Rate）是衡量信贷资产质量的核心指标。在Tick数据监控语境下，我们关注的是实时坏账率——基于当前Tick数据预测的、未来可能转化为坏账的比率。
- 定义公式： 坏账率 = 逾期超过M3+的贷款本金 / 当期应还总本金
- 实时坏账率： 使用模型对每笔Tick数据打分，聚合后得到当前批次贷款的预期坏账比例
- 漂移影响： 当Tick数据分布偏移，模型打分失真，实时坏账率将偏离真实坏账率，导致风控策略失效
1.3 PSI（群体稳定性指标）：量化漂移的标尺
PSI（Population Stability Index）是衡量两个样本分布差异的统计量，广泛应用于风控模型监控。它通过比较预期分布（基准分布）与实际分布（当前分布）在每个分数段上的占比变化，计算出一个综合偏离值。
PSI计算公式：
PSI = Σ (实际占比_i - 预期占比_i) * ln(实际占比_i / 预期占比_i)| PSI值范围 | 稳定性判断 | 建议动作 |
|---|---|---|
| < 0.1 | 无显著漂移 | 正常监控，无需干预 |
| 0.1 ~ 0.25 | 轻度漂移 | 触发预警，排查特征变化 |
| > 0.25 | 严重漂移 | 立即告警，模型需重新校准或迭代 |
注意： PSI对样本量敏感。在Tick数据流中，建议使用滑动窗口（如最近1小时、24小时）计算PSI，避免因样本过小导致误报。
1.4 为什么需要监控漂移？——从Tick到坏账率的传导链
漂移监控的必要性，源于一条清晰的传导链：
- 外部环境变化（如政策调整、黑产攻击、用户群体迁移）
- → Tick数据特征分布漂移（如设备指纹集中度、IP归属地变化、行为间隔缩短）
- → 模型评分分布漂移（PSI升高，模型置信度下降）
- → 实时坏账率预测偏差（低估或高估风险）
- → 实际坏账率失控（逾期率飙升，资产质量恶化）
如果不监控漂移，风控团队将无法区分“模型失效”与“市场变差”，导致策略调整滞后，造成真金白银的损失。
1.5 课程核心框架预览
本课程将围绕以下主线展开：
- 数据层： Tick数据采集、清洗、特征工程与滑动窗口设计
- 监控层： PSI计算实现、阈值设定、多维度漂移检测（单特征PSI、模型分数PSI、坏账率PSI）
- 告警层： 实时告警系统搭建、漂移根因定位、自动化报表
- 应对层： 模型回退、特征补偿、在线学习与模型迭代策略
实战目标： 学完本课程，你将能够搭建一套从Tick数据接入到坏账率漂移告警的完整监控系统，用Python实现PSI计算与可视化，并制定有效的漂移应对预案。