3. 模型稳定性基础

在信贷风控体系中，模型上线只是起点，真正决定模型能否长期创造价值的，是它在时间推移中的稳定性。很多团队把稳定性简单理解为“分数别飘”，但稳定性本质上是一个多维概念：它既包括输入变量分布的变化，也包括模型输出分布的变化，还包括模型区分能力和校准能力随时间的变化。理解这些层次，是设计监控指标和重训触发策略的前提。

一、稳定性的核心定义：三个层次

信贷模型的稳定性可以从三个层次来定义，三者层层递进，但并非总是同步变化。

• 数据稳定性（Data Stability）：指入模变量在训练样本与当前样本之间的分布是否一致。常用PSI（Population Stability Index）、CSI（Characteristic Stability Index）衡量。数据稳定性是模型稳定性的“先行指标”。
• 输出稳定性（Score Stability）：指模型评分分布是否发生显著漂移。即使单变量变化不大，变量间关系变化也可能导致评分整体偏移。常用评分PSI、均值/分位数偏移监控。
• 性能稳定性（Performance Stability）：指模型区分度（如KS、AUC）和校准度（如PD预测偏差、校准曲线）是否保持在可接受范围。这是最接近业务结果的层次，但通常滞后。

二、稳定性与区分度、校准度的关系

区分度和校准度是模型性能的两个正交维度。区分度回答“模型能否把好坏客户排序分开”，校准度回答“模型预测的违约概率是否接近真实违约率”。稳定性则描述这两个维度随时间的变化程度。

维度	核心问题	常用指标	稳定性下降的典型表现
区分度	排序能力是否依然有效	KS、AUC、Gini	KS从0.42降至0.28，排序能力明显衰减
校准度	预测概率是否准确	PD偏差、校准曲线、Brier Score	预测PD=5%，实际违约率=9%，系统性低估风险
数据稳定性	输入分布是否漂移	PSI、CSI	收入变量PSI=0.31，分布显著右移
输出稳定性	评分分布是否漂移	评分PSI、均值偏移	评分均值下降15分，通过率异常上升

实践中常见一种误区：只看KS没降就认为模型稳定。但KS对样本量和坏样本比例敏感，且可能因客群结构变化而“虚高”。例如，当高风险客群占比上升时，KS可能暂时上升，但校准度已经严重恶化，导致定价和拨备失真。因此，稳定性监控必须同时覆盖区分度和校准度。

三、业务影响：从通过率到资本充足率

模型不稳定会沿着信贷业务链条逐级放大，最终影响机构盈利与合规。

1. 审批策略失效：评分漂移导致通过率异常升高或降低，可能引入大量高风险客户或错杀优质客户。
2. 定价与额度偏差：校准度下降使风险定价失去依据，低风险客户被高定价流失，高风险客户被低定价进入。
3. 拨备与资本计提失真：PD预测偏差直接影响预期信用损失（ECL）计算，进而影响拨备和资本充足率。
4. 监管处罚与声誉风险：监管机构要求模型风险管理可解释、可追溯，模型失效未及时处置可能触发合规问题。

四、监管要求与内部治理

监管对模型稳定性的要求并非单一指标，而是要求建立全生命周期模型风险管理框架。以《商业银行模型风险管理指引》和巴塞尔协议相关要求为参考，核心要点包括：

• 持续监控：定期评估模型表现，包括区分度、校准度和稳定性指标。
• 阈值管理：设定明确的预警线和触发线，并文档化处置流程。
• 独立验证：模型验证团队需独立于开发团队，定期复核监控结果。
• 可追溯性：所有监控数据、重训决策、版本变更需留痕，支持审计。
• 及时处置：当模型性能显著下降时，需在合理期限内完成重训、替换或降级使用。

五、监控流程与参数示例

一个可落地的稳定性监控流程通常包括：数据准备、指标计算、阈值比对、预警分级、处置决策。以下是一个简化的监控参数配置示例：

# 稳定性监控参数配置示例
monitor_config = {
    "psi_warning": 0.10,      # PSI预警线
    "psi_trigger": 0.25,      # PSI触发重训线
    "ks_drop_warning": 0.05,  # KS下降预警
    "ks_drop_trigger": 0.10,  # KS下降触发线
    "calibration_bias": 0.20, # PD偏差容忍度
    "monitor_freq": "monthly",# 监控频率
    "min_sample_size": 500    # 最小样本量
}

# 监控日志示例
2024-06-01 评分PSI=0.08  KS=0.41  PD偏差=+0.03  状态：正常
2024-07-01 评分PSI=0.14  KS=0.39  PD偏差=+0.07  状态：预警
2024-08-01 评分PSI=0.27  KS=0.33  PD偏差=+0.15  状态：触发重训

从日志可以看出，数据稳定性和输出稳定性先恶化，随后区分度和校准度才明显下降。这提示我们：重训触发不应只等KS下降，而应结合PSI和校准偏差提前预警。在实际项目中，建议将监控指标分为“先行指标”（PSI/CSI）和“结果指标”（KS/校准），并设置不同的响应策略。

六、复盘：稳定性监控的四个关键原则

1. 分层监控：数据、输出、性能三层指标缺一不可，避免单点判断。
2. 业务对齐：阈值设定要结合通过率、违约率、拨备等业务结果，而非纯统计值。
3. 提前预警：优先关注先行指标，给重训和策略调整留出时间窗口。
4. 闭环治理：监控发现、预警、决策、重训、验证、上线形成闭环，并保留审计痕迹。

掌握稳定性的定义及其与区分度、校准度的关系，是后续设计重训触发策略的基础。只有把稳定性从“一个PSI数字”扩展为“分层指标体系”，才能真正支撑信贷模型在动态市场中的持续可靠运行。