4. Drift 概念解析：数据漂移与概念漂移

在金融风控的实时监控体系中，“漂移”（Drift）是衡量模型稳定性的核心指标。本章将深入解析两种最关键的漂移类型：数据漂移（Data Drift）与概念漂移（Concept Drift），并阐明它们与坏账率之间的直接关联。

4.1 数据漂移（Data Drift）的定义

数据漂移，又称特征漂移或协变量漂移，是指模型输入特征的统计分布随时间发生变化，而输入与输出之间的映射关系（即模型学到的规律）保持不变。简单来说，就是“输入变了，但规则没变”。

在信贷场景中，数据漂移的典型表现包括：

• 用户画像变化： 申请用户的年龄分布从 25-35 岁偏移至 40-50 岁。
• 收入结构变化： 用户收入中位数从 8000 元下降至 6000 元。
• 行为特征变化： 用户平均月消费笔数从 15 笔降至 8 笔。
• 外部环境变化： 宏观经济指标（如 CPI、失业率）出现结构性波动。

4.2 概念漂移（Concept Drift）的定义

概念漂移是指输入特征与目标变量之间的映射关系（即概念）随时间发生变化，而输入特征的分布可能保持不变。这意味着“规则变了，但输入看起来没变”。

概念漂移在坏账率监控中尤为关键，常见诱因包括：

• 风控策略调整： 审批规则收紧后，同一用户特征对应的违约概率降低。
• 欺诈模式演变： 欺诈团伙发现新的攻击路径，原有特征组合不再有效。
• 市场环境突变： 疫情、政策法规变化导致用户还款意愿系统性改变。
• 产品迭代： 贷款期限、利率结构变化改变了用户行为模式。

4.3 两种漂移的对比分析

4.4 概念漂移与坏账率的直接关系

概念漂移是导致坏账率异常波动的最直接原因。当模型所依赖的“用户特征→违约概率”的映射关系发生改变时，模型输出的风险评分将不再反映真实风险水平，从而引发以下连锁反应：

1. 风险低估： 原本被模型判定为“低风险”的用户，实际违约概率上升，导致坏账率飙升。
2. 风险高估： 原本被模型判定为“高风险”的用户，实际违约概率下降，导致优质客户流失，业务规模萎缩。
3. 策略失效： 基于模型评分制定的审批、定价、催收策略全部偏离预期目标。

4.5 漂移类型与坏账率的关系图谱

下图展示了两种漂移类型在信贷风控体系中的位置及其对坏账率的影响路径：

4.6 漂移检测的实践框架

在实际的哨兵监控系统中，我们通常采用分层检测策略来同时捕获两种漂移：

4.7 漂移检测的算法流程

以下是一个基于 PSI（群体稳定性指标）的数据漂移检测代码示例，用于监控单个特征的分布变化：

import numpy as np
import pandas as pd

def calculate_psi(expected, actual, bins=10):
    """
    计算群体稳定性指标（PSI）
    
    Parameters:
    - expected: 基准分布（如训练集）
    - actual: 当前分布（如线上数据）
    - bins: 分箱数量
    
    Returns:
    - psi: PSI 值
    - 告警级别: '正常' / '需关注' / '严重漂移'
    """
    # 基于基准分布确定分箱边界
    percentiles = np.linspace(0, 100, bins + 1)
    bin_edges = np.percentile(expected, percentiles)
    
    # 分箱统计
    expected_counts = np.histogram(expected, bins=bin_edges)[0]
    actual_counts = np.histogram(actual, bins=bin_edges)[0]
    
    # 转换为百分比
    expected_pct = expected_counts / len(expected)
    actual_pct = actual_counts / len(actual)
    
    # 处理零值（加极小值避免除零）
    expected_pct = np.where(expected_pct == 0, 1e-6, expected_pct)
    actual_pct = np.where(actual_pct == 0, 1e-6, actual_pct)
    
    # 计算 PSI
    psi = np.sum((actual_pct - expected_pct) * np.log(actual_pct / expected_pct))
    
    # 告警判定
    if psi < 0.1:
        level = '正常'
    elif psi < 0.25:
        level = '需关注'
    else:
        level = '严重漂移'
    
    return round(psi, 4), level

# 示例用法
train_data = np.random.normal(0, 1, 10000)  # 基准分布
online_data = np.random.normal(0.3, 1.2, 10000)  # 当前分布（已发生漂移）

psi_value, alert_level = calculate_psi(train_data, online_data)
print(f"PSI: {psi_value}, 告警级别: {alert_level}")
# 输出示例: PSI: 0.1523, 告警级别: 需关注

4.8 漂移与坏账率的联动监控策略

为了有效管理坏账率风险，建议将漂移检测纳入以下监控闭环：

1. 每日特征漂移扫描： 对 Top-20 重要特征计算 PSI，标记漂移特征。
2. 每周模型性能评估： 对比线上 AUC 与训练集 AUC，计算衰减幅度。
3. 每日坏账率对比： 将实际坏账率与模型预期坏账率进行对比，计算偏差。
4. 漂移-坏账率关联分析： 当坏账率异常时，回溯检查哪些特征发生了漂移。
5. 自动告警与工单： 当漂移指标或坏账率触发阈值时，自动生成风控工单。