1. 模型漂移概述
1.1 风险定价模型漂移的定义
风险定价模型漂移（Model Drift）是指已部署的量化模型在实时生产环境中的预测表现、输出分布或特征关系，相对于模型开发与验证阶段发生系统性偏离的现象。在信贷风险定价场景中，模型漂移通常表现为违约概率（PD）、损失率（LGD）或风险定价利率的预测值与实际观测值之间的偏差持续扩大。
根据漂移发生的对象，可将其分为三类核心形态：
| 漂移类型 | 定义 | 典型表现 |
|---|---|---|
| 概念漂移 | 输入特征与目标变量之间的潜在映射关系发生变化 | 相同客户画像的违约率随时间上升 |
| 数据漂移 | 模型输入特征的统计分布发生偏移 | 申请客户年龄/收入分布与建模样本不一致 |
| 标签漂移 | 目标变量（如实际违约标签）的整体分布变化 | 宏观经济下行导致整体违约率攀升 |
关键认知：模型漂移并非模型本身的“故障”，而是外部环境、客群结构、业务策略与宏观经济共同作用下的必然现象。监控漂移的本质是量化“模型假设”与“现实世界”之间的差距。
1.2 漂移对业务的影响
风险定价模型一旦发生漂移而未及时识别，将沿着定价链路传导至业务端，产生多层次的负面效应：
- 定价失真：模型低估风险导致定价过低，侵蚀利润；高估风险导致定价过高，流失优质客户。
- 风险错配：风险排序能力下降，高风险客户获得低利率，低风险客户被拒或承担高利率，组合风险恶化。
- 资本计量偏差：基于模型输出的风险加权资产（RWA）计算失准，影响资本充足率合规。
- 监管合规风险：模型验证与审计发现漂移未管理，可能面临监管处罚或模型使用限制。
- 决策信任崩塌：业务部门对模型输出失去信心，退回人工经验决策，自动化效率归零。
业务警示：一次未被发现的定价模型漂移，可能在3-6个月内造成数百万至数千万级别的风险损失，且漂移时间越长，修复成本呈指数级上升。
1.3 监控的必要性
建立系统化的模型漂移监控机制，是风险定价模型全生命周期管理的核心环节。其必要性体现在以下四个维度：
- 早期预警：在模型表现显著恶化之前发出告警，为模型重训、校准或替换争取时间窗口。
- 归因分析：定位漂移来源（特征层面、概念层面还是标签层面），指导针对性修复策略。
- 合规审计：满足巴塞尔协议、模型风险管理指引等监管要求，形成可追溯的监控记录。
- 持续优化：监控数据为模型迭代提供反馈闭环，驱动模型版本持续演进。
最佳实践：漂移监控不应仅作为“事后检查”，而应嵌入模型部署的CI/CD流水线，实现“监控即代码”（Monitoring as Code）。
1.4 模型漂移监控框架总览
下图展示了风险定价模型漂移监控的完整逻辑架构，从数据输入到告警响应的闭环流程：
1.5 漂移监控的核心指标概览
在实际监控体系中，通常采用以下量化指标来度量漂移程度：
| 指标名称 | 适用场景 | 阈值参考 | 说明 |
|---|---|---|---|
| PSI | 特征/分数分布漂移 | < 0.1 无漂移；0.1-0.25 轻度；> 0.25 严重 | 群体稳定性指标，最常用 |
| KS | 模型区分能力变化 | 下降超过20%需关注 | 衡量好坏样本分布差异 |
| 特征重要性偏移 | 概念漂移检测 | Top5特征排序变化 | 监控特征对模型贡献度的变化 |
| 残差分布检验 | 模型拟合度变化 | 均值偏移 > 0.5σ | 预测值与实际值差异分析 |
监控频率建议：对于高频定价模型（每日决策量 > 10,000笔），建议每日计算PSI与KS；对于低频模型，至少每周执行一次全指标扫描。关键经济事件或政策发布后，应触发临时监控。