3. 漂移现象解析
在金融风控监控体系中，“漂移”是判断模型或业务环境是否发生结构性变化的核心概念。理解漂移的本质、数学定义及其与正常波动的区别，是搭建有效监控哨兵的第一步。
3.1 什么是漂移
漂移（Drift）指模型预测所依赖的数据分布、特征关系或目标变量分布，在时间推移中发生了不可逆或持续性的变化，导致模型在历史数据上表现良好，但在新数据上性能显著下降。
在坏账率监控场景中，漂移通常表现为：
- 特征漂移（Feature Drift）：用户收入、负债率、消费行为等输入特征的统计分布发生变化。
- 概念漂移（Concept Drift）：特征与坏账标签之间的映射关系发生改变，例如过去收入低意味着高风险，现在收入低不再直接对应高坏账。
- 标签漂移（Label Drift）：坏账率本身的整体水平出现趋势性上升或下降。
监控要点：漂移不一定是模型本身的问题，也可能是宏观经济、政策调整、客群结构变化等外部因素导致。哨兵的任务是发现变化，而非直接归因。
3.2 漂移的数学定义
从统计学角度，漂移可以定义为两个时间窗口下数据分布之间的差异度量超过预设阈值。设参考窗口（Reference Window）的数据分布为 \(P_{ref}\)，当前监控窗口（Monitoring Window）的数据分布为 \(P_{cur}\)，则漂移检测可形式化为：
Drift = D(P_ref || P_cur) > θ其中 \(D\) 为分布距离度量函数，\(\theta\) 为业务可接受的漂移阈值。常用的分布距离度量包括：
| 度量方法 | 适用场景 | 特点 |
|---|---|---|
| PSI（群体稳定性指标） | 连续特征、评分卡分数 | 工业界最常用，对分布变化敏感 |
| KS 统计量 | 连续特征、模型输出分数 | 对分布位置和形状变化均敏感 |
| KL 散度 | 概率分布对比 | 非对称度量，对尾部变化敏感 |
| JS 散度 | 概率分布对比 | KL 散度的对称改进版 |
| Wasserstein 距离 | 高维特征、图像数据 | 对分布平移有良好几何解释 |
以 PSI 为例，其计算公式为：
PSI = Σ (P_cur_i - P_ref_i) * ln(P_cur_i / P_ref_i)
其中：
- P_ref_i = 参考窗口第 i 分箱的样本占比
- P_cur_i = 监控窗口第 i 分箱的样本占比
- 分箱通常按等频或等距划分为 10 组PSI 的判定标准：
- PSI < 0.1：无显著漂移，模型稳定
- 0.1 ≤ PSI < 0.25：轻度漂移，需关注
- PSI ≥ 0.25：严重漂移，需立即干预
实践建议：在坏账率监控中，建议同时监控特征 PSI 和模型输出分数 PSI。特征 PSI 提前预警输入分布变化，模型输出 PSI 直接反映评分偏移程度。
3.3 漂移与正常波动的区别
正常波动（Normal Fluctuation）是业务运行中不可避免的随机性表现，而漂移代表系统性、持续性的结构变化。两者的核心区别如下：
| 对比维度 | 正常波动 | 漂移 |
|---|---|---|
| 持续性 | 短期、可恢复 | 长期、不可逆或需干预才能恢复 |
| 原因 | 随机噪声、季节性、周期性 | 客群结构变化、政策调整、经济环境变化 |
| 分布变化 | 均值/方差在置信区间内震荡 | 均值/方差出现趋势性偏移 |
| 对模型影响 | 性能指标小幅波动，可自动恢复 | 性能指标持续下降，需重新训练或调整 |
| 检测方法 | 控制图、移动平均线 | PSI、KS、CUSUM 等漂移检测算法 |
| 应对策略 | 无需干预，持续监控 | 触发告警，启动模型重训或规则调整 |
下图直观展示了正常波动与漂移在时间序列上的形态差异：
3.4 漂移检测的哨兵架构
在实际监控系统中，漂移检测哨兵通常采用以下分层架构，确保从数据采集到告警响应的全链路覆盖：
常见误区：不要将周期性波动（如月末坏账率自然上升）误判为漂移。周期性波动是可预测、可恢复的正常波动，而漂移是打破历史规律的结构性变化。建议在监控系统中引入同比/环比对比机制，辅助区分周期性与趋势性变化。
3.5 漂移检测的实践步骤
- 确定参考窗口：选择模型训练期或最近 3-6 个月的数据作为基准分布。
- 设定监控窗口：按日/周/月滑动窗口采集最新数据，窗口大小建议至少包含 1000 条样本。
- 选择度量指标：根据特征类型选择 PSI、KS 或 KL 散度等。
- 配置阈值：结合业务容忍度设定告警阈值（如 PSI ≥ 0.1 告警，≥ 0.25 紧急）。
- 执行对比计算：定期计算参考窗口与监控窗口的分布差异。
- 判定与响应：根据阈值判定是否触发漂移告警，并执行预设响应流程。