2. PSI 数学原理与公式推导
群体稳定性指标（Population Stability Index, PSI）是支付风控中衡量模型评分或特征分布在时间维度上是否发生偏移的核心量化工具。其数学本质是信息论中 相对熵（Kullback-Leibler Divergence） 的对称化变体，用于度量两个概率分布之间的差异程度。
2.1 PSI 计算公式详解
PSI 的标准计算公式如下：
PSI = Σ (Actual_i - Expected_i) * ln(Actual_i / Expected_i)其中：
- Expected_i：第
i个分箱中，预期分布（通常为建模时的训练集或基准期）的样本占比。 - Actual_i：第
i个分箱中，实际分布（当前监控期或验证集）的样本占比。 - ln：自然对数。
- Σ：对所有分箱求和。
关键理解： 公式中的
(Actual_i - Expected_i) 衡量方向性偏差，ln(Actual_i / Expected_i) 衡量偏差的敏感度。两者相乘后求和，放大了分布差异较大的分箱对整体稳定性的影响。
2.2 实际分布与预期分布的对比
在支付风控场景中，PSI 的对比对象通常为：
| 分布类型 | 数据来源 | 典型用途 |
|---|---|---|
| 预期分布 (Expected) | 模型训练集、模型验收时的 OOT 样本、上一稳定监控周期 | 作为基准参考，代表模型表现良好的状态 |
| 实际分布 (Actual) | 当前生产环境实时评分结果、本周/本月新样本 | 作为待评估对象，检测是否发生偏移 |
当实际分布与预期分布高度一致时，PSI 趋近于 0；当分布发生显著偏移时，PSI 值会急剧增大。支付风控中常用的判定阈值如下：
- PSI < 0.1：无显著偏移，模型稳定。
- 0.1 ≤ PSI < 0.25：轻度偏移，需关注并排查原因。
- PSI ≥ 0.25：严重偏移，模型需立即重新训练或调整。
实战提示： 在支付交易量波动较大的场景（如大促期间），建议使用 滚动窗口 的预期分布（例如过去 4 周的平均分布），而非固定训练集分布，以提升 PSI 对业务节奏变化的适应性。
2.3 分箱策略对 PSI 的影响
PSI 的计算依赖于将连续变量（如模型评分）或离散变量进行 分箱（Binning）。分箱策略直接决定了 PSI 的敏感度和稳定性。常见分箱策略对比：
| 分箱策略 | 方法描述 | 对 PSI 的影响 | 支付风控适用性 |
|---|---|---|---|
| 等距分箱 | 按数值区间等宽划分（如 0-100, 100-200） | 容易导致某些箱内样本极少，PSI 计算不稳定 | 低，不推荐单独使用 |
| 等频分箱 | 按样本数量等比例划分（每箱约 10% 样本） | 各箱样本量均衡，PSI 计算稳定，但对极端值不敏感 | 高，最常用策略 |
| 决策树分箱 | 利用目标变量（如是否欺诈）进行监督分箱 | 分箱边界与业务强相关，PSI 对业务偏移更敏感 | 中，适用于特征监控 |
| 自定义分箱 | 根据业务经验手动设定边界（如评分卡分段） | 业务可解释性强，但可能忽略数据内部结构变化 | 高，适用于评分卡模型 |
避坑指南： 分箱数量不宜过少（如 < 5 箱），否则会丢失分布细节，导致 PSI 对微小偏移不敏感；也不宜过多（如 > 20 箱），否则会引入噪声，使 PSI 频繁触发误报。推荐在 10~15 箱 之间进行选择。
2.4 PSI 计算流程与分箱关系图
下图展示了从原始评分到 PSI 计算的核心流程，以及分箱策略在其中的关键位置：
2.5 分箱策略对 PSI 影响的直观对比
以下 SVG 图直观展示了同一组评分数据在不同分箱策略下，PSI 计算结果的差异：
2.6 分箱策略选择总结
在支付风控 PSI 实验中，分箱策略的选择应遵循以下原则：
- 稳定性优先：优先选择等频分箱，确保每个分箱有足够的样本量，避免因样本稀疏导致 PSI 计算失真。
- 业务可解释性：对于评分卡等有明确业务含义的模型，使用自定义分箱（如按评分等级分段）可提升监控结果的可解释性。
- 敏感性平衡：分箱数量控制在 10~15 箱，既能捕捉分布变化，又不会因过度细分而引入噪声。
- 一致性原则：在模型生命周期内，保持分箱策略不变，确保 PSI 在不同时间点具有可比性。
核心结论： PSI 的数学本质是分布差异的量化，而分箱策略是决定这个量化是否准确的关键工程环节。在支付风控实验中，错误的策略（如等距分箱）可能导致 PSI 误报，而正确的策略（如等频分箱）能帮助风控团队及时、准确地发现模型退化或客群偏移。