3. 稳定性与漂移基础
在信贷风控模型的生命周期中，模型上线只是起点。真正决定模型能否持续创造价值的，是它在时间推移中面对客群变化、政策调整、渠道迁移时，是否仍然保持稳定。本章聚焦稳定性与漂移的基础概念，帮助你在后续监控实战中选对指标、读懂信号。
一、核心原理：什么是稳定性与漂移
稳定性描述的是模型输入、输出或整体表现在不同时间窗口之间保持一致的程度。它并不直接等同于模型效果好坏，而是衡量“分布是否发生显著变化”。漂移则是稳定性被破坏的具体表现，指数据分布、特征与目标的关系或模型输出随时间发生了统计意义上的偏移。
在信贷场景中，漂移通常分为三类：
- 数据漂移（Data Drift）：输入特征
X的分布发生变化，例如收入分布整体下移、某渠道申请量激增。 - 概念漂移（Concept Drift）：特征与目标
Y的真实关系改变，例如同样的征信查询次数，在不同宏观环境下对违约的指示意义不同。 - 模型漂移（Model Drift）：模型输出分数
score或预测结果的分布发生变化，通常由前两者传导而来。
理解这三类漂移的传导链条，是选择监控指标的前提：数据漂移最先发生，概念漂移最难察觉，模型漂移最容易被业务感知。
二、指标区别与联系：PSI、CSI、KL、JS
稳定性监控中最常用的四个指标，本质上都在比较两个分布的差异，但适用对象和数学性质不同。
| 指标 | 全称 | 比较对象 | 核心特点 | 典型阈值 |
|---|---|---|---|---|
| PSI | Population Stability Index | 模型分数或整体人群分布 | 对称、分箱计算、业务解释直观 | <0.1 稳定；0.1~0.25 关注；>0.25 预警 |
| CSI | Characteristic Stability Index | 单个特征分布 | 计算方式同 PSI，但对象是特征 | 与 PSI 类似，按特征逐个评估 |
| KL 散度 | Kullback-Leibler Divergence | 两个概率分布 | 非对称、无上界、对零概率敏感 | 无固定阈值，多用于相对比较 |
| JS 散度 | Jensen-Shannon Divergence | 两个概率分布 | 对称、有界（0~1）、对零概率更稳健 | 越接近 0 越稳定，接近 1 差异极大 |
它们之间的联系可以这样理解：PSI 与 CSI 是业务化的分箱差异指标，计算简单、解释直接；KL 与 JS 是信息论视角的分布距离，数学性质更严谨。PSI 在分箱后本质上与 KL 的离散形式高度相关，而 JS 可以看作 KL 的对称化改进版本。
选择建议：日常监控优先用 PSI 看模型分数、CSI 看关键特征；当需要更精细地比较分布形状、或分箱边界不稳定时，引入 KL/JS 作为补充。
三、方法流程：从计算到判断
以 PSI 为例，标准计算流程如下：
- 确定基准窗口（如训练集或上一稳定周期）和对比窗口（如本月）。
- 对分数或特征进行分箱，常用等频分箱，箱数 10~20。
- 统计每个箱在两个窗口中的占比。
- 按公式计算并汇总。
PSI = Σ (Actual% - Expected%) × ln(Actual% / Expected%)
其中：
Expected% = 基准窗口该箱占比
Actual% = 对比窗口该箱占比
若某箱占比为 0，需做平滑处理，如替换为 0.0001KL 与 JS 的计算逻辑类似，但直接基于概率值：
KL(P || Q) = Σ P(x) × ln(P(x) / Q(x))
JS(P, Q) = 0.5 × KL(P || M) + 0.5 × KL(Q || M)
其中 M = 0.5 × (P + Q)实操中建议固定分箱边界，避免每次监控重新分箱导致指标不可比。若必须重分箱，应在监控报告中标注边界变化。
四、案例与场景：一次渠道迁移引发的漂移
某消费信贷模型上线后，PSI 连续三个月低于 0.05，表现稳定。第四个月，公司调整获客策略，某低线渠道申请量占比从 8% 升至 35%。此时监控发现：
- 模型分数 PSI 升至 0.18，进入关注区间；
- 特征“月收入”CSI 达到 0.31，明显预警；
- JS 散度从 0.04 升至 0.21，分布差异显著扩大。
进一步拆解发现，新渠道客群收入整体偏低且分布更集中，导致模型分数向低分段偏移。业务侧随后对该渠道单独设置准入策略，并对模型进行局部重校准。这个案例说明：PSI 是结果信号，CSI 是定位工具，KL/JS 是验证手段，三者配合才能快速归因。
五、误区与复盘
常见误区一：PSI 低就代表模型没问题。PSI 只反映分数分布，若概念漂移发生但分数分布恰好未变，PSI 可能仍然正常。需结合效果指标如 KS、AUC 共同判断。
常见误区二：所有特征都用同一阈值。不同特征的业务敏感度不同，收入类特征 CSI 超过 0.1 就应关注，而某些类别型特征波动天然较大，阈值可适当放宽。
常见误区三：忽略零概率处理。KL 散度对 Q(x)=0 极其敏感，直接计算会得到无穷大。生产环境必须做平滑，或改用 JS 散度。
复盘时建议建立一张“指标—漂移类型—处置动作”的对照清单：数据漂移优先查特征 CSI，概念漂移优先看效果指标与业务反馈，模型漂移优先看 PSI 与分数分布。只有把指标和漂移类型对应起来，监控才不是一堆数字，而是可执行的决策依据。