1. 课程导论：什么是模型定价漂移、漂移检测在金融定价中的重要性、课程目标与学习路径
1.1 什么是模型定价漂移？
在金融信贷与保险定价场景中，机构通常使用机器学习模型（如 XGBoost）对用户进行风险定价，输出利率、保费或额度。当模型在生产环境中的预测定价分布与训练期或上线初期的分布发生系统性偏差时，即发生模型定价漂移。
定价漂移并非单一现象，通常由以下三类子漂移叠加导致：
| 漂移类型 | 定义 | 典型表现 |
|---|---|---|
| 特征漂移 | 输入特征（如收入、负债比）的统计分布随时间变化 | 用户群体收入中位数下降，模型仍按旧分布定价 |
| 概念漂移 | 特征与目标（如违约率）之间的映射关系发生变化 | 同样负债比的用户，当前违约率比训练期高 30% |
| 预测漂移 | 模型输出的定价分数或利率分档整体偏移 | 平均定价利率从 12% 上升至 18%，但客群未变 |
关键认知： 定价漂移 ≠ 模型失效。有时漂移反映市场环境变化（如加息周期），但若未及时检测并校准，会导致定价过高（流失客户）或定价过低（亏损风险）。
1.2 漂移检测在金融定价中的重要性
在金融风控与定价场景中，漂移检测不是可选项，而是合规与盈利的底线要求。其重要性体现在以下四个维度：
- 风险控制： 未检测的漂移可能导致低风险客户被收取高利率（客户流失），或高风险客户享受低利率（坏账激增）。
- 监管合规： 巴塞尔协议 III、银保监会等监管机构要求金融机构持续监控模型表现，定价漂移属于必须上报的模型风险事件。
- 业务公平性： 漂移可能使特定群体（如新入职年轻人）被系统性高定价，引发公平借贷争议。
- 模型生命周期管理： 漂移检测是模型退役、重训、校准的触发信号，避免模型“带病运行”。
行业数据： 某头部消费金融公司统计，未部署漂移检测的定价模型平均每 6 个月出现显著漂移，导致风险损失增加 15%-25%。部署自动化检测后，模型校准周期从季度缩短至周级。
1.3 课程目标与学习路径
本课程以 XGBoost 定价模型 为核心对象，从理论到代码实战，系统构建定价漂移检测能力。课程目标如下：
- 理解漂移本质： 掌握特征漂移、概念漂移、预测漂移的数学定义与业务含义。
- 掌握检测方法： 学会使用 PSI、KS 统计量、分布距离（如 Wasserstein 距离）等指标量化漂移。
- 实战 XGBoost 检测管线： 基于 Python 构建从数据采集、漂移计算、告警到可视化看板的完整流程。
- 制定应对策略： 根据漂移类型选择模型重训、特征工程调整或阈值校准等方案。
学习路径分为四个阶段，每个阶段对应课程的核心章节：
| 阶段 | 章节范围 | 核心产出 |
|---|---|---|
| 基础理论 | 第 1-4 章 | 漂移检测指标体系与 XGBoost 定价模型原理 |
| 检测方法 | 第 5-10 章 | PSI、KS、分布距离的 Python 实现 |
| 实战案例 | 第 11-20 章 | 端到端定价漂移检测系统（含告警与可视化） |
| 策略与部署 | 第 21-30 章 | 漂移应对策略、模型校准与生产部署 |
学习建议： 本课程要求学员具备 Python 基础、XGBoost 基本使用经验以及金融风控基础概念。建议每章结束后完成配套代码练习，不要跳过实战章节直接进入策略部分。