2. 核心概念：策略衰减的数学定义、批次漂移的统计学含义、两者之间的因果关系

2.1 策略衰减的数学定义

在支付风控领域，策略衰减是指一条风控规则或一个模型分数阈值在部署后，其区分好/坏交易的能力随时间逐渐下降的现象。从数学上，我们可以用性能度量函数随时间的变化率来严格定义。

设风控策略在时间 t 的性能指标为 P(t)（例如 KS 统计量、AUC、精确率、召回率等），则策略衰减的瞬时速率定义为：

D(t) = - dP(t) / dt

当 D(t) > 0 时，表示策略性能正在衰减。更常用的离散形式是：

ΔP(t₁, t₂) = P(t₂) - P(t₁)

策略衰减幅度 = max(0, -ΔP)

实际业务中，我们通常监控周/月粒度的衰减幅度，并设定预警阈值。下表列出了常见的性能指标及其衰减敏感度：

2.2 批次漂移的统计学含义

批次漂移（Batch Drift）是指不同时间窗口内，交易数据的联合分布 P(X, Y) 或特征分布 P(X) 发生了统计意义上的显著变化。在支付风控中，批次通常按天、周或月划分。

从统计学角度，批次漂移可分为三类：

1. 协变量漂移（Covariate Shift）： 特征分布 P(X) 改变，但条件分布 P(Y|X) 不变。例如：用户群体从年轻白领变为中年商户，但相同特征下的坏账率不变。
2. 先验概率漂移（Prior Probability Shift）： 标签分布 P(Y) 改变，但条件分布 P(X|Y) 不变。例如：整体坏账率从 2% 上升到 5%，但好/坏交易的特征分布模式不变。
3. 概念漂移（Concept Drift）： 条件分布 P(Y|X) 改变。例如：同一笔交易特征（如金额 5000 元、夜间交易）过去是正常交易，现在变成了欺诈模式。

检测批次漂移的常用统计方法包括：

• KS 检验： 比较两个批次中同一特征的分布差异，适用于连续变量。
• PSI（群体稳定性指标）： 衡量特征分箱后的分布偏移程度，PSI > 0.1 视为显著漂移。
• MMD（最大均值差异）： 基于核方法的分布距离度量，适用于高维特征。
• ADWIN（自适应滑动窗口）： 自适应检测分布变化点，无需固定窗口大小。

2.3 因果关系：批次漂移 → 策略衰减

批次漂移与策略衰减之间存在明确的因果链条：批次漂移是因，策略衰减是果。风控策略本质上是基于历史数据分布 P_train(X, Y) 学习到的决策边界。当线上批次分布 P_online(X, Y) 发生漂移时，原有的决策边界不再最优，导致策略性能下降。

具体因果路径如下：

1. 特征分布偏移： 新批次中用户行为特征（如交易时间、设备指纹、IP 归属地）发生变化 → 策略中基于这些特征的规则触发率改变 → 拦截率/误杀率偏离预期。
2. 坏账模式演化： 欺诈团伙调整攻击手法 → 坏账样本的特征分布 P(X|Y=1) 改变 → 原有规则无法有效识别新型欺诈 → 召回率下降。
3. 好用户行为迁移： 正常用户因促销活动、季节因素等改变支付习惯 → 好样本分布 P(X|Y=0) 偏移 → 策略误杀率上升 → 精确率下降。

2.4 数学形式化：从漂移到衰减的量化关系

为了更精确地描述批次漂移与策略衰减之间的量化关系，我们可以引入风险函数框架。设风控策略为函数 f: X → {0, 1}（0=放行，1=拦截），真实标签为 Y ∈ {0, 1}（0=好，1=坏）。策略在分布 P 下的期望损失为：

R(f, P) = E_{(x,y)~P}[ L(f(x), y) ]

其中 L 为损失函数（如 0-1 损失或加权损失）。当训练分布 P_train 漂移到线上分布 P_online 时，策略衰减量可表示为：

ΔR = R(f, P_online) - R(f, P_train)

根据协变量漂移下的重要性加权理论，ΔR 可分解为：

ΔR = ∫ [w(x) - 1] · L(f(x), y) · P_train(x, y) dx dy

其中 w(x) = P_online(x) / P_train(x) 为重要性权重。当 w(x) 偏离 1 的程度越大，策略衰减越严重。这从数学上证明了：批次漂移的幅度直接决定了策略衰减的幅度。

2.5 本章小结：核心概念关系矩阵