1. PSI 概念与风控意义
1.1 什么是群体稳定性指标 (PSI)
群体稳定性指标（Population Stability Index，PSI） 是衡量两个样本分布之间差异程度的统计量。在风控建模中，PSI 用于量化模型评分（或特征分布）在时间维度上的偏移程度，是模型监控最核心的指标之一。
PSI 的计算基于 证据权重（Weight of Evidence，WoE） 的变体，其数学公式如下：
PSI = Σ (实际占比_i - 预期占比_i) × ln(实际占比_i / 预期占比_i)其中：
- 预期占比（Expected %）：模型开发时（基准期）样本在各分箱中的比例
- 实际占比（Actual %）：模型监控时（当前期）样本在各分箱中的比例
- i：分箱序号（通常将评分或特征等分为 10 组）
💡 直观理解： PSI 越小，说明两个分布越相似；PSI 越大，说明分布偏移越严重。当 PSI > 0.25 时，通常认为模型已发生显著衰退，需要立即干预。
1.2 PSI 在模型监控中的核心价值
PSI 在风控模型全生命周期中扮演着 “预警雷达” 的角色，其核心价值体现在以下三个层面：
| 监控层面 | 监控对象 | PSI 作用 |
|---|---|---|
| 特征级监控 | 单个入模特征的分布 | 识别哪些特征发生了分布偏移，定位衰退根源 |
| 模型级监控 | 模型评分（Score）的整体分布 | 判断模型整体预测能力是否下降，触发重训决策 |
| 业务级监控 | 客群结构、申请量、通过率等 | 区分模型衰退与业务策略调整导致的分布变化 |
通过 PSI 监控，风控团队可以：
- 早期预警：在模型效果明显恶化前（通常提前 1-3 个月）发现分布偏移信号
- 归因分析：定位导致模型衰退的具体特征，指导特征工程迭代方向
- 决策支持：为模型重训、特征替换、阈值调整等操作提供量化依据
📌 实践建议： 建议同时监控特征级 PSI 和模型级 PSI。特征级 PSI 帮助定位问题，模型级 PSI 帮助判断影响程度。两者结合才能形成完整的监控闭环。
1.3 PSI 与模型衰退的关系
模型衰退（Model Decay）是指模型上线后，随着时间推移，其预测能力逐渐下降的现象。PSI 与模型衰退之间存在 强关联但非完全线性 的关系：
⚠️ 关键认知： PSI 高 ≠ 模型一定衰退，PSI 低 ≠ 模型一定健康。PSI 衡量的是分布偏移，而模型衰退衡量的是预测能力下降。两者相关，但需结合 KS、AUC 等效果指标综合判断。
下表总结了 PSI 与模型衰退的典型对应关系：
| PSI 范围 | 偏移程度 | 模型衰退风险 | 建议行动 |
|---|---|---|---|
| < 0.10 | 轻微偏移 | 低风险 | 持续监控，无需干预 |
| 0.10 - 0.25 | 中度偏移 | 中等风险 | 深入分析偏移特征，评估是否需要调整 |
| > 0.25 | 严重偏移 | 高风险 | 立即启动模型重训或特征替换 |
模型衰退的典型路径通常遵循以下流程：
- 客群结构变化（如政策调整、市场环境变化）→ 特征分布偏移
- 特征分布偏移 → 特征级 PSI 升高
- 特征级 PSI 累积 → 模型评分分布偏移 → 模型级 PSI 升高
- 模型级 PSI 升高 → 模型预测能力下降 → KS/AUC 等效果指标恶化
- 效果指标恶化 → 模型衰退确认 → 触发重训或迭代
1.4 PSI 特征筛选的独特价值
在风控建模实践中，PSI 不仅用于模型监控，更是一种 前瞻性的特征筛选工具。与传统的 IV（信息价值）筛选不同，PSI 特征筛选关注的是特征的 长期稳定性：
| 筛选维度 | IV 特征筛选 | PSI 特征筛选 |
|---|---|---|
| 关注点 | 特征与目标变量的区分能力 | 特征分布的时间稳定性 |
| 评估数据 | 开发样本（单时间点） | 开发样本 vs 近期样本（多时间点） |
| 筛选目标 | 高预测力特征 | 高稳定性特征 |
| 模型影响 | 决定模型上限 | 决定模型寿命 |
🎯 核心观点： 一个高 IV 但高 PSI 的特征，在模型上线后可能快速衰退，导致模型效果断崖式下降。因此，PSI 特征筛选是 IV 筛选的必要补充，两者结合才能选出“既强又稳”的特征。