1. 阈值漂移概述

1.1 什么是阈值漂移

阈值漂移（Threshold Drift）是指在信贷风控模型中，用于区分“好客户”与“坏客户”的评分卡或决策规则中的分数截断点，随着时间推移或环境变化，其区分能力或实际通过率发生系统性偏移的现象。简单来说，原本设定好的“及格线”不再适用于当前的客群或数据环境，导致模型决策效果下降。

在信贷业务中，阈值通常表现为信用评分卡的拒绝线、策略规则的命中条件或机器学习模型的概率截断值。当阈值漂移发生时，原本通过审批的客户可能变得风险更高，或者原本被拒绝的客户实际上具备良好信用，从而造成风险损失或业务流失。

1.2 阈值漂移在信贷风控中的重要性

阈值漂移是信贷风控模型生命周期管理中最常见且最具破坏性的问题之一。如果不能及时发现并纠正阈值漂移，将直接导致以下后果：

1.3 阈值漂移的常见原因

阈值漂移并非单一因素导致，而是多种因素共同作用的结果。理解这些原因，是设计自动巡查方案的基础。以下从三个核心维度进行剖析：

1.3.1 客群变化

信贷业务的客群结构会随着时间、市场环境、获客渠道的变化而发生改变，这是阈值漂移最根本的原因之一。

• 客群下沉：为扩大业务规模，获客渠道向信用记录较薄弱的群体倾斜，导致整体评分分布左移。
• 客群上浮：优质客户留存率提高或新获客质量提升，评分分布右移，原有阈值过于保守。
• 客群结构变化：不同年龄段、地域、职业的客户比例发生变化，模型对子群体的区分能力出现差异。
• 季节性波动：如春节、双十一等消费旺季，短期客群特征发生剧烈变化。

1.3.2 政策调整

信贷业务受监管政策、公司战略、市场环境的影响，风控策略的调整会直接导致阈值漂移。

1.3.3 数据分布变化

模型依赖的输入数据本身也会发生变化，这种变化可能是渐进的，也可能是突发的。

• 特征分布偏移：如收入、负债、征信查询次数等关键特征的均值和方差发生变化。
• 缺失值模式变化：数据采集方式变更导致缺失率上升或下降，影响模型打分。
• 数据质量下降：数据源接口不稳定、字段映射错误、数据延迟等问题。
• 外部数据源变更：第三方征信数据更新频率、覆盖范围或评分逻辑调整。
• 宏观经济环境：经济周期、失业率、通货膨胀等宏观指标影响客户还款能力。

1.4 阈值漂移的量化指标

在实际风控运维中，通常使用以下指标来量化监测阈值漂移的程度：