2. Drift 概念解析：什么是 Drift（漂移）、Drift 与模型稳定性的关系、Drift 与市场因子变化的区别
在金融压力测试与量化风控体系中，Drift（漂移） 是衡量模型预测能力随时间衰减的核心指标。它并非指市场价格的随机波动，而是指模型输入数据、中间特征或输出结果的统计分布，在时间序列上发生的 结构性偏移。理解 Drift 的本质，是构建有效监控体系的前提。
2.1 什么是 Drift（漂移）
Drift 在统计学与机器学习中，特指两个不同时间窗口下数据分布之间的差异。在金融风控场景中，我们通常关注三种类型的漂移：
| 漂移类型 | 英文术语 | 定义 | 典型示例 |
|---|---|---|---|
| 数据漂移 | Data Drift / Covariate Shift | 模型输入特征 X 的边际分布发生变化，但条件分布 P(Y|X) 保持不变 |
客户收入分布从正态变为右偏，但收入与违约率的关系未变 |
| 概念漂移 | Concept Drift | 输入特征 X 与目标变量 Y 之间的映射关系 P(Y|X) 发生变化 |
同样的负债率水平，在加息周期中违约概率显著上升 |
| 标签漂移 | Label Drift / Prior Probability Shift | 目标变量 Y 的边缘分布发生变化，但 P(X|Y) 不变 |
整体市场违约率从 2% 跃升至 8% |
关键认知： Drift 是 分布层面的结构性变化，而非单个样本的异常值。一个样本点偏离预测线可能是噪声，但整个特征分布向右平移 0.5 个标准差，就是 Drift。
2.2 Drift 与模型稳定性的关系
模型稳定性是压力测试模型能否持续可靠运行的生命线。Drift 与模型稳定性之间存在 因果传导 关系：
- Drift 是原因，稳定性下降是结果。 当数据或概念发生漂移时，模型在训练集上习得的决策边界不再适用于当前环境，导致预测误差增大。
- 量化指标： 常用 群体稳定性指标（PSI） 衡量评分分布漂移，PSI > 0.1 通常视为需要预警的阈值；特征重要性漂移 则通过特征对模型输出的贡献度变化来评估。
- 时间衰减效应： 金融模型普遍存在“半年魔咒”——训练后 6 个月，若无重训或校准，模型因 Drift 导致的性能衰减可达 15%~30%。
⚠️ 常见误区： 模型在验证集上表现良好，不代表部署后不会发生 Drift。压力测试场景下的宏观环境突变（如 2020 年疫情、2022 年激进加息）会瞬间放大 Drift 幅度，使“历史表现良好”的模型在 1~2 周内失效。
2.3 Drift 与市场因子变化的区别
这是风控从业者最容易混淆的概念。市场因子变化（如利率上升、GDP 增速放缓）是 外生冲击，而 Drift 是 模型与数据之间关系的结构性改变。两者在压力测试中的处理方式截然不同：
| 对比维度 | 市场因子变化 | Drift（漂移） |
|---|---|---|
| 本质 | 经济变量自身的水平或波动率变化 | 模型输入/输出分布或映射关系的变化 |
| 是否被模型预期 | 部分可预期（如利率路径假设） | 通常未被模型捕捉，属于模型失效信号 |
| 压力测试处理方式 | 作为情景变量输入，驱动模型重新计算 | 触发模型校准、重训或替换决策 |
| 监控方法 | 宏观指标跟踪（CPI、失业率、信用利差） | 统计分布检验（KS 检验、PSI、MMD） |
| 典型例子 | 美联储加息 75bp → 贷款成本上升 | 同样 FICO 分数段客户违约率从 3% 升至 7% |
💡 实战判断法则： 如果模型在训练时已经包含了利率作为特征，那么利率变化后模型输出变化是 正常的模型响应；但如果利率不变，模型输出却系统性偏移，或者利率变化后模型输出的偏移幅度远超历史规律，这就是 Drift。
在压力测试实操中，我们需要同时监控两类信号：
- 市场因子变化 → 验证压力情景是否合理传导至模型输入层
- Drift 信号 → 判断模型本身是否已经“老化”或“失效”
只有将两者区分开，才能避免在压力测试报告中错误地将模型失效归因于宏观环境，或者将正常的市场波动误判为模型需要重训。