1.1 PSI 概念与支付风控背景
1.1.1 PSI 的定义与数学原理
PSI（Population Stability Index，群体稳定性指标） 是衡量两个样本分布之间差异程度的统计量。在支付风控中，它用于量化模型评分或关键特征在 时间维度 上的分布偏移程度。PSI 值越小，说明模型在跨时间窗口上的表现越稳定；PSI 值越大，则提示模型可能发生了结构性退化。
PSI 的计算基于 分箱（Binning） 后的分布对比，公式如下：
PSI = Σ (Actual_i - Expected_i) × ln(Actual_i / Expected_i)
其中：
- Expected_i = 基准期（如模型训练期）第 i 个分箱的样本占比
- Actual_i = 监控期（如当前生产期）第 i 个分箱的样本占比
- i = 1, 2, ..., n（n 为分箱总数）实际应用中，通常将模型预测分数或特征值等频划分为 10 箱，然后逐箱计算占比差异与对数比值的加权和。
1.1.2 PSI 在支付风控中的核心价值
支付风控模型部署上线后，面临的最大风险不是模型初始精度不足，而是 模型随时间退化。PSI 监控的价值体现在以下三个层面：
| 价值维度 | 具体说明 | 典型场景 |
|---|---|---|
| 早期预警 | 在模型效果明显下降之前，提前发现分布偏移趋势 | 节假日支付行为突变、新支付渠道上线 |
| 归因定位 | 通过特征级 PSI 快速定位导致模型不稳定的具体变量 | 用户年龄分布漂移、设备指纹字段缺失率上升 |
| 决策依据 | 为模型是否需要重训、回退或切换提供量化阈值 | PSI > 0.25 触发紧急模型迭代流程 |
行业经验阈值：
- PSI < 0.10：模型稳定，无需干预
- 0.10 ≤ PSI < 0.25：轻度偏移，需排查原因并加强监控
- PSI ≥ 0.25：严重偏移，必须立即重训或回滚模型
1.1.3 为什么需要监控模型稳定性
支付风控模型运行在 高动态、高对抗 的业务环境中，稳定性监控不是可选项，而是风控体系的 生命线。主要原因包括：
- 用户行为漂移： 支付习惯、消费时段、设备偏好随季节或营销活动变化，导致训练数据与实时数据分布不一致。
- 黑产策略演化： 欺诈团伙不断调整攻击手法，模型判定的特征权重可能迅速失效。
- 业务规则变更： 新支付产品上线、风控策略调整、渠道接入变更，都会改变模型输入分布。
- 数据质量退化： 埋点缺失、字段格式变化、第三方数据源中断，直接破坏模型输入稳定性。
- 监管合规要求： 支付机构需向监管证明风控模型持续有效，PSI 是量化证据之一。
⚠️ 常见误区： 很多团队只关注模型 AUC/KS 等精度指标，忽略 PSI 监控。等到精度下降时，模型已经偏移了数周甚至数月，造成的资金损失和客诉风险往往难以挽回。
1.1.4 PSI 监控在支付风控体系中的位置
下图展示了 PSI 监控在支付风控模型全生命周期中的定位与数据流转关系：
1.1.5 PSI 与模型退化周期的关系
支付风控模型从上线到失效通常经历 四个阶段，PSI 在每个阶段都扮演关键角色：
| 阶段 | PSI 范围 | 模型表现 | 风控动作 |
|---|---|---|---|
| 稳定期 | < 0.10 | 精度、召回率均符合预期 | 常规监控，无需干预 |
| 漂移早期 | 0.10 ~ 0.15 | 精度轻微下降，误杀率上升 | 排查特征级 PSI，定位漂移变量 |
| 漂移中期 | 0.15 ~ 0.25 | 模型效果明显退化，漏报增加 | 启动模型重训流程，准备回退方案 |
| 失效期 | ≥ 0.25 | 模型基本失效，风控形同虚设 | 立即回滚或切换备用模型 |
💡 最佳实践： 建议在支付风控系统中同时部署 模型级 PSI 和 特征级 PSI 两套监控。模型级 PSI 负责整体告警，特征级 PSI 负责归因定位。当模型级 PSI 超过 0.15 时，自动输出 Top 5 漂移特征报告，大幅缩短排查时间。