📚 课程目录第4章 PSI计算原理

4. PSI计算原理：分箱方法、概率计算与阈值设定

群体稳定性指标（Population Stability Index, PSI）是衡量模型评分或特征分布在时间维度上变化程度的量化指标。在实时风控中，PSI用于监控线上样本分布是否与建模样本（期望分布）发生显著偏移，从而判断模型是否失效。其核心计算流程包括：分箱、概率计算与阈值判定。

4.1 分箱方法：等频分箱与等距分箱

分箱是将连续变量或离散值划分为若干区间（Bins）的过程。分箱方式直接影响PSI的敏感度和稳定性。常用的分箱方法有两种：等频分箱和等距分箱。

分箱方法	定义	适用场景	优点	缺点
等频分箱	每个箱体包含大致相同数量的样本（如每箱10%）。	评分卡分数、概率预测值等分布不均匀的变量。	避免空箱或样本过少；对长尾分布鲁棒。	箱体边界可能集中在数据密集区，导致区间过窄。
等距分箱	每个箱体的数值区间宽度相同（如0-100, 100-200）。	年龄、收入等分布相对均匀的连续变量。	区间直观，易于业务解释。	容易产生空箱或样本极少的箱体，导致PSI计算不稳定。

实时风控建议：对于模型分数（如0-1000分），推荐使用等频分箱（通常分为10箱），确保每箱至少有5%的样本，避免因线上样本稀疏导致PSI剧烈波动。

4.2 期望分布与实际分布的概率计算

PSI的计算基于两个概率分布：期望分布（Expected, E）和实际分布（Actual, A）。在实时风控场景中：

期望分布（E_i）：通常来源于模型开发时的训练集或验证集，代表模型表现良好的基准分布。
实际分布（A_i）：当前线上实时流量的样本分布，代表模型当前面对的客群特征。

计算步骤分为三步：

分箱：基于期望分布确定箱体边界（使用等频或等距方法），然后将实际分布按相同边界划分。
计算各箱占比：分别计算每个箱体中期望样本占比（E_i%）和实际样本占比（A_i%）。
计算单箱PSI贡献：使用公式 (A_i% - E_i%) × ln(A_i% / E_i%)。

PSI计算公式：

PSI = Σ[(A_i% - E_i%) × ln(A_i% / E_i%)]

其中，i 表示第 i 个箱体。当 E_i% = 0 时，通常用极小值（如0.0001）替代，避免除零错误。

_i% 与 A_i% PSI汇总 Σ[(A_i%-E_i%)×ln(A_i%/E_i%)] 阈值判定：<0.1稳定 / 0.1-0.25需关注 / >0.25需干预分箱注意事项 • 箱数建议：5-20箱 • 每箱样本量 ≥ 5% • 避免空箱（占比=0）

4.3 PSI阈值设定与业务解读

PSI的数值大小直接反映分布偏移的严重程度。行业通用阈值设定如下：

PSI值范围	稳定性等级	业务含义	建议动作
PSI < 0.1	稳定	线上分布与建模分布基本一致，模型表现正常。	持续监控，无需干预。
0.1 ≤ PSI < 0.25	轻度偏移	分布发生一定变化，模型可能开始衰减。	触发预警，排查客群或特征变化原因。
PSI ≥ 0.25	严重偏移	分布发生显著变化，模型预测能力可能大幅下降。	立即停用模型，启动重训或回退至备用模型。

实时风控特殊考量：在实时场景中，建议采用滑动窗口（如最近7天 vs 最近1天）计算PSI，而非固定周期对比。同时，对于高敏感业务（如反欺诈），可将阈值收紧至0.15即触发预警。

4.4 计算示例：等频分箱下的PSI计算

假设模型分数范围为0-1000，采用等频分箱（10箱，每箱10%样本）。期望分布基于训练集，实际分布基于线上最近1小时数据。以下为前3箱的计算示例：

箱号	分数区间	期望占比 E_i%	实际占比 A_i%	A_i% - E_i%	ln(A_i% / E_i%)	单箱PSI贡献
1	0-120	10.0%	12.5%	+2.5%	0.2231	0.0056
2	120-230	10.0%	9.0%	-1.0%	-0.1054	0.0011
3	230-350	10.0%	8.0%	-2.0%	-0.2231	0.0045
前3箱累计PSI						0.0112

若10箱累计PSI = 0.08，则判定为稳定；若累计PSI = 0.32，则判定为严重偏移，需立即干预。

4.5 常见问题与避坑指南

空箱问题：当实际分布中某箱占比为0时，ln(0)无定义。建议用极小值（如0.0001）替代，或合并相邻箱体。
分箱数量选择：箱数过少（如<5）会丢失分布细节；箱数过多（如>20）会导致噪声放大。推荐10箱。
等频 vs 等距选择：对于模型分数，优先等频；对于业务规则明确的变量（如年龄分段），可用等距。
实时计算性能：在实时风控中，PSI计算需在毫秒级完成。建议预计算期望分布的分箱边界，线上仅做计数和汇总。