2. 漂移的基本概念：模型漂移与数据漂移的定义与区别

在额度定价风控体系中，漂移（Drift）是指模型在生产环境中的表现或输入数据分布随时间发生的变化。理解漂移的本质是监控体系设计的理论基础。根据变化来源的不同，漂移主要分为两类：模型漂移（Model Drift）与数据漂移（Data Drift）。

2.1 模型漂移（Model Drift）

定义：模型漂移是指模型在训练时与上线后，其预测能力或输出分布发生系统性偏差的现象。它通常反映模型内部逻辑与当前真实环境之间的“失配”。

• 概念漂移（Concept Drift）：特征与目标变量之间的映射关系发生变化。例如，过去“高收入+低负债”对应“低违约”，现在由于经济下行，同样特征组合的违约率上升。
• 模型退化（Model Decay）：模型参数或结构不再适应新数据，导致性能指标（如KS、AUC、PSI）持续下降。

2.2 数据漂移（Data Drift）

定义：数据漂移是指模型输入特征的统计分布（均值、方差、分位数等）随时间发生变化，而特征与目标的关系可能并未改变。

• 特征漂移（Feature Drift）：单个或多个特征的分布偏移。例如，客户年龄分布从25-35岁变为30-40岁。
• 协变量漂移（Covariate Shift）：输入特征的整体分布发生变化，但条件分布 P(Y|X) 保持不变。

2.3 核心区别对比

下表从多个维度系统梳理两类漂移的本质差异：

2.4 两类漂移的关系与交互

在实际风控场景中，模型漂移与数据漂移并非孤立存在，它们之间存在因果或伴生关系：

• 数据漂移 → 模型漂移：输入分布变化后，模型在未见过的数据区域表现不佳，进而引发模型漂移。
• 模型漂移 → 数据漂移（间接）：模型决策改变业务策略（如提高某客群定价），导致该客群流失，后续输入数据分布随之改变。
• 同时发生：外部宏观环境变化（如疫情、监管政策）可能同时导致数据分布和映射关系改变。

2.5 漂移检测的数学视角

从统计学习角度，两类漂移可以用以下形式化定义区分：

模型漂移：P_t(Y|X) ≠ P_0(Y|X)
数据漂移：P_t(X) ≠ P_0(X)

其中：
- P_0 表示训练集（基准）分布
- P_t 表示当前时间 t 的分布
- X 为输入特征，Y 为目标变量（如违约标签）

当仅 P(X) 变化而 P(Y|X) 不变时，属于纯数据漂移；当 P(Y|X) 变化时，无论 P(X) 是否变化，都属于模型漂移（概念漂移）。

2.6 额度定价场景中的典型表现