1. 课程导论：阈值漂移与模型收益衰退
1.1 阈值漂移的定义
在金融风控与机器学习模型中，阈值（Threshold）是将模型输出的连续概率分数转化为离散决策（如“通过/拒绝”、“正常/逾期”）的分界线。当模型上线后，由于数据分布、用户行为或宏观经济环境的变化，原本最优的决策阈值逐渐偏离当前最优位置，这种现象称为阈值漂移（Threshold Drift）。
核心公式： 设模型输出分数为 s ∈ [0,1]，原始阈值为 t₀。当环境变化后，最优阈值变为 t*，且 |t* - t₀| > δ（δ 为可容忍偏移量），即发生阈值漂移。
| 漂移类型 | 触发原因 | 典型表现 |
|---|---|---|
| 正向漂移 | 客群质量整体提升 | 相同阈值下通过率上升，坏账率下降 |
| 负向漂移 | 客群质量恶化或欺诈冲击 | 相同阈值下通过率下降，坏账率上升 |
| 结构性漂移 | 特征分布发生非线性变化 | 不同分数段表现不一致，局部阈值失效 |
1.2 模型收益衰退的定义
模型收益衰退（Model Revenue Decay）是指随着时间推移，模型在业务层面产生的经济效益（如利润、回收率、风险调整后收益）持续下降的现象。收益衰退是模型退化的最终业务体现，其背后可能由多种技术性衰退共同驱动。
关键指标： 收益衰退通常用 RAR（Risk-Adjusted Revenue） 或 ROI（Return on Investment） 的月度环比衰减率来衡量。当 RAR 连续 3 个月下降超过 5% 时，视为显著收益衰退。
| 衰退维度 | 度量指标 | 业务影响 |
|---|---|---|
| 审批收益 | 通过率 × 单笔利润 | 优质客户流失或坏账侵蚀利润 |
| 催收收益 | 回收率 × 回收金额 | 催收策略失效，回收成本上升 |
| 定价收益 | 利率 × 贷款余额 | 风险定价偏离，优质客户补贴高风险客户 |
1.3 阈值漂移与收益衰退的因果关系
阈值漂移与收益衰退之间存在明确的因果链：阈值漂移是模型决策边界失效的技术表现，而收益衰退是这种失效在业务财务层面的最终映射。两者并非独立现象，而是同一退化过程的不同阶段。
常见误区： 许多团队将收益衰退归因于市场环境恶化，而忽略了阈值漂移这一内部技术原因。实际上，超过 40% 的收益衰退案例中，阈值漂移是首要驱动因素。
1.4 课程学习目标
完成本课程后，学员将能够：
- 识别与诊断： 掌握阈值漂移的检测方法（PSI、KS 趋势、最优阈值追踪），能够从模型监控报表中快速定位漂移信号。
- 量化影响： 建立阈值漂移与收益衰退之间的量化映射关系，计算漂移导致的直接经济损失。
- 制定策略： 设计阈值动态调整机制（固定周期重估、自适应阈值、分段阈值），在控制风险的前提下最大化业务收益。
- 构建监控体系： 搭建阈值漂移与收益衰退的联合监控看板，实现从技术指标到业务指标的闭环预警。
| 学习模块 | 核心能力 | 交付物 |
|---|---|---|
| 模块 1-3：理论基础 | 理解漂移与衰退的数学定义 | 漂移检测指标清单 |
| 模块 4-6：检测方法 | 掌握 PSI/KS/最优阈值追踪 | Python 检测脚本 |
| 模块 7-9：收益量化 | 建立收益衰退归因模型 | 收益损失计算表 |
| 模块 10-12：策略调整 | 设计动态阈值策略 | 阈值调整决策框架 |
| 模块 13-15：监控与复盘 | 搭建监控看板与自动化预警 | 监控看板原型 |
1.5 适用人群
本课程面向以下三类核心人群：
- 机器学习工程师 / 算法专家： 需要掌握模型上线后的退化检测技术，提升模型生命周期管理能力。
- 金融风控策略分析师： 负责审批、定价、催收策略的制定与调优，需要理解阈值变化对业务收益的直接影响。
- 模型监控与运维人员： 承担模型日常监控职责，需要建立从技术指标到业务指标的预警体系。
前置要求： 学员应具备基础的机器学习分类模型知识（逻辑回归、决策树、评分卡），了解 KS、AUC、PSI 等常用模型评估指标，并具备基础的 Python 数据分析能力（pandas、numpy、matplotlib）。