4. 常见稳定性度量指标
在信贷模型监控体系中，稳定性度量指标是判断模型是否“失效”的第一道防线。但很多团队的问题不是没有指标，而是指标混用：把区分度指标当成稳定性指标，把单变量指标当成模型指标，或者只看一个阈值就触发重训。本节把常用指标分成三类：分布稳定性指标（PSI、CSI、迁移率）、区分度指标（KS、AUC、Gini），并说明它们的原理、计算口径与适用边界。
一、核心原理：稳定性与区分度是两件事
稳定性回答的是“输入分布或分数分布有没有变”，区分度回答的是“模型还能不能把好坏客户分开”。两者可能同时恶化，也可能单独恶化。例如：客群整体下沉，分数分布右移，PSI 很高，但排序能力仍然不错，KS 没掉；反过来，分数分布几乎没变，但某个关键变量的业务含义变了，KS 可能悄悄下降。因此监控必须同时覆盖两类指标。
一句话记忆：PSI/CSI/迁移率看“变没变”，KS/AUC/Gini 看“还准不准”。稳定性指标用于早期预警，区分度指标用于确认失效。
二、分布稳定性指标：PSI、CSI 与迁移率
1. PSI（Population Stability Index）
PSI 衡量两个时间窗口内分数分布的差异。它把分数分箱后，比较每箱的占比变化：
PSI = Σ (Actual% - Expected%) × ln(Actual% / Expected%)其中 Expected% 是基准期（如训练集或上一稳定期）占比，Actual% 是监控期占比。经验阈值：PSI < 0.1 稳定；0.1～0.25 需关注；> 0.25 显著偏移，应排查并考虑重训。注意 PSI 对分箱数量和空箱敏感，空箱需做平滑处理（如用 0.0001 替代 0）。
2. CSI（Characteristic Stability Index）
CSI 是 PSI 在单变量上的应用，逐特征计算分布偏移。它回答“是哪个变量把模型带偏了”。实践中常按 CSI 降序排列，定位 Top 偏移变量。CSI 高不一定导致模型失效，但能解释 PSI 的来源。建议对入模变量全量监控，对强规则变量和客群标签变量重点监控。
3. 迁移率（Migration Rate）
迁移率衡量同一客户在不同时间点分数等级或风险等级的跃迁比例。常见形式是分数段迁移矩阵：行是基准期等级，列是监控期等级，对角线是未迁移比例。迁移率过高说明客户风险排序不稳定，即使 PSI 不高，也可能影响审批策略和额度管理。迁移率特别适合贷中行为评分和额度调整场景。
| 指标 | 度量对象 | 核心问题 | 典型阈值/用法 | 适用场景 |
|---|---|---|---|---|
| PSI | 模型分数分布 | 整体分数是否偏移 | <0.1 稳定；>0.25 预警 | 模型层月度监控 |
| CSI | 单变量分布 | 哪个变量导致偏移 | 按值排序定位 Top 变量 | 变量层归因 |
| 迁移率 | 分数/风险等级 | 客户等级是否跳变 | 看矩阵对角线占比 | 贷中、额度、策略联动 |
| KS | 好坏排序能力 | 区分度是否下降 | 下降 >20% 需警惕 | 模型层效果监控 |
| AUC | 整体排序能力 | 综合区分能力 | 与基准期对比 | 跨模型对比 |
| Gini | 排序能力归一化 | 与 AUC 等价表达 | Gini = 2×AUC−1 | 汇报与阈值统一 |
三、区分度指标：KS、AUC 与 Gini
KS 衡量好坏样本累计分布的最大差值，取值 0～1，越大区分度越强。信贷评分卡常用 KS 评估，优点是直观、对阈值敏感；缺点是只取一个最大点，忽略整体排序。AUC 衡量随机取一个好客户和一个坏客户，模型给好客户更高分的概率，取值 0.5～1。AUC 更综合，但对极端不平衡样本仍稳定。Gini 是 AUC 的线性变换：Gini = 2×AUC − 1，常用于风控汇报，因为更符合“0～1”直觉。
监控建议：不要只看绝对值，要看相对基准期的变化。例如 KS 从 0.42 降到 0.35，降幅 16.7%，虽未跌破绝对阈值，但趋势已值得预警。建议同时维护“绝对阈值 + 相对降幅”双规则。
四、案例与场景：一次典型的稳定性排查
某现金贷模型月度监控发现：PSI = 0.31，KS 从 0.40 降到 0.33，迁移率对角线占比从 82% 降到 61%。排查步骤：
- 先看 CSI，发现“近 6 个月查询次数”CSI = 0.28，“负债收入比”CSI = 0.19，说明客群查询行为和负债结构明显变化。
- 再看分数迁移矩阵，发现大量客户从 B 级跳到 C 级，说明风险排序整体下移。
- 结合业务确认：渠道引流策略变化，导致低资质客群占比上升。
- 结论：不是模型代码问题，而是客群偏移。处理方式：先做分数校准，再评估是否重训，同时调整准入策略。
常见误区：① 用 PSI 判断模型好坏——PSI 只反映分布变化，不反映排序能力；② 只看一个指标就触发重训——应结合 CSI 归因、KS/AUC 确认、迁移率看业务影响；③ 忽略样本时间窗口——基准期选择不同，PSI 结果差异很大，必须固定口径；④ 空箱不处理——会导致 PSI 虚高或计算错误。
五、方法流程：指标监控的标准动作
1. 固定基准期：训练集或上一个稳定窗口，写入配置。
2. 按月/周计算：PSI（分数）、CSI（变量）、迁移率（等级）。
3. 计算区分度：KS、AUC、Gini，并与基准期对比。
4. 设置双阈值：绝对阈值 + 相对降幅。
5. 触发归因：CSI Top 变量 + 迁移矩阵 + 业务事件。
6. 决策：继续观察 / 分数校准 / 重训 / 策略调整。只有把“分布稳定性”和“区分度”放在同一张监控看板上，才能避免误判。PSI 和 CSI 负责早期预警，迁移率负责业务影响评估，KS、AUC、Gini 负责确认模型是否还具备排序能力。四类指标配合使用，才能为后续的重训触发提供可靠依据。