1. PSI 概念入门：群体稳定性指标
1.1 什么是 PSI？—— 定义与直觉
群体稳定性指标（Population Stability Index，PSI） 衡量的是两个样本群体在某个特征（或模型评分）上的分布差异。在贷后风控中，它最常用于监控模型评分（Score）或关键风险特征（如收入、负债比）在 建模样本 与 实际线上样本 之间的偏移程度。
PSI 的数学本质是 信息论中的 KL 散度（相对熵）的对称化变体，其计算公式为：
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）：通常来自建模时的开发样本（或基准期样本）在每个分数段/分箱中的样本比例。
- 实际占比（Actual）：当前监控期（如月度、季度）的线上样本在同一分数段中的比例。
直觉理解： 如果两个分布完全一致，每个分箱的占比差为 0，PSI = 0。分布差异越大，PSI 值越高。PSI 越大，说明当前客群相对于建模时的客群发生了越显著的“漂移”。
1.2 PSI 在贷后风控中的核心作用
在贷后预警体系中，PSI 不是用来评估单笔贷款的风险，而是用来监控 整个资产组合的风险环境变化。其核心作用体现在以下三个层面：
| 应用层面 | 具体作用 | 典型场景 |
|---|---|---|
| 模型稳定性监控 | 判断评分卡模型是否仍然适用于当前客群 | 月度监控模型评分 PSI，若 > 0.25 则触发模型复审 |
| 客群结构漂移预警 | 发现客群在收入、年龄、地域等维度上的结构性变化 | 某产品线 PSI 突增，发现新增客群中“自由职业”占比大幅上升 |
| 策略有效性评估 | 量化风控策略调整前后客群分布的变化幅度 | 收紧准入策略后，监控通过客群的评分分布 PSI |
⚠️ 关键认知： PSI 是一个“信号灯”指标，它告诉你“分布变了”，但不会告诉你“为什么变”。当 PSI 触发阈值时，需要结合特征分析、业务调研来定位根因。
1.3 PSI 与 KS、GINI 的核心区别
很多初学者容易将 PSI 与模型区分度指标（KS、GINI）混淆。下表从 评估对象、关注点、计算逻辑 三个维度进行对比：
| 对比维度 | PSI（群体稳定性） | KS（区分度） | GINI（区分度） |
|---|---|---|---|
| 评估对象 | 同一特征/评分在不同时间或群体上的分布 | 模型对好坏客户的排序能力 | 模型对好坏客户的排序能力 |
| 核心问题 | 客群变了吗？ | 模型能分开好坏吗？ | 模型排序能力有多强？ |
| 输入数据 | 两个样本的评分/特征分布（无需好坏标签） | 好坏客户的累计分布曲线 | 好坏客户的累计分布曲线 |
| 输出范围 | 0 ~ ∞（通常 < 0.1 为稳定） | 0 ~ 1（通常 > 0.3 为可用） | 0 ~ 1（通常 > 0.6 为可用） |
| 业务含义 | 分布偏移程度 | 最大区分能力 | 整体排序质量 |
一句话总结： KS/GINI 回答“模型好不好用”，PSI 回答“模型还能不能用”。一个模型即使 KS 很高，如果 PSI 过大，说明它已经不再适用于当前客群，需要重新训练或调整。
1.4 PSI 计算与判断标准（SVG 流程图）
下图展示了 PSI 从数据准备到业务决策的完整计算与判断流程：
1.5 常见误区与避坑指南
- 误区一：PSI 越低越好。 实际上，PSI 为 0 可能意味着模型完全没有捕捉到客群变化，也可能是数据质量问题的信号。需要结合业务背景解读。
- 误区二：PSI 可以替代 KS。 两者用途完全不同。PSI 监控稳定性，KS 衡量区分度。一个稳定的模型可能区分度很差，反之亦然。
- 误区三：分箱数量越多越精确。 分箱过多会导致部分箱子样本量过少，占比计算不稳定。通常建议 10 箱等频分箱，或根据业务经验自定义分箱边界。
- 误区四：只看整体 PSI。 整体 PSI 可能被“平均”掩盖。建议同时监控 每个分箱的贡献度，定位具体哪个分数段发生了偏移。
💡 最佳实践： 在贷后预警体系中，建议将 PSI 与特征级 PSI（每个入模特征的分布偏移）结合使用。当模型评分 PSI 触发预警时，通过特征级 PSI 快速定位“罪魁祸首”特征，大幅提升排查效率。