📚 课程目录第4章支付风控模型生命周期

4. 支付风控模型生命周期中 PSI 的角色

在支付风控领域，一个模型从诞生到退役会经历四个核心阶段：模型开发、模型部署、模型监控、模型迭代。群体稳定性指标（PSI）在这四个阶段中扮演着“数据分布守门员”的关键角色，确保模型所依赖的特征分布不发生不可控的偏移，从而保障风控决策的持续有效。

在模型开发阶段，数据科学家从海量特征中挑选出对欺诈/信用风险有区分能力的变量。PSI 在此阶段的核心作用是剔除分布不稳定的特征，避免模型在训练集上表现良好，上线后却因特征分布突变而失效。

训练集 vs. 测试集 PSI 校验：计算每个特征在训练集与测试集之间的 PSI。若某特征 PSI > 0.1，说明该特征在时间切片上分布不稳定，应优先剔除或做分箱调整。
跨时间窗口稳定性评估：使用历史数据按时间窗口（如按月）计算特征 PSI，筛选出在多个窗口内 PSI 均低于 0.05 的“稳健特征”。
建立基准分布：将训练集的整体特征分布作为“基准分布”，后续所有阶段的 PSI 计算均以此基准为参照。

  开发阶段 PSI 筛选标准（参考）
  
    PSI 范围稳定性等级处理建议

    < 0.05优秀保留，可直接入模
0.05 – 0.10一般需关注，建议做分箱调整或二次验证
> 0.10不稳定剔除，或使用更稳定的替代特征

模型从开发环境迁移到生产环境时，需要做上线前 PSI 验证。即使模型代码和参数完全一致，生产环境的实时数据流与开发环境的历史数据也可能存在分布差异。

影子部署 PSI 对比：将模型以“影子模式”部署，同时计算生产实时数据与训练基准的 PSI。若整体 PSI > 0.15，应暂停上线，排查数据源或特征工程差异。
分特征 PSI 告警：对每个入模特征单独计算 PSI，定位导致偏移的具体变量。
阈值设定：部署阶段 PSI 阈值通常比监控阶段更严格（如 0.10），因为此时模型尚未对真实业务产生决策影响，应确保“零偏移”或极低偏移。

部署避坑提示： 很多团队在部署时只关注模型 AUC 或 KS，忽略了 PSI 校验。曾有一个支付风控模型在部署后第 3 天就因“交易时段特征”分布偏移导致误杀率飙升 300%，根源正是部署时未做 PSI 验证。

模型上线后，PSI 是实时监控面板上最重要的指标之一。它帮助风控团队快速感知数据分布是否发生结构性变化，从而决定是否需要触发模型迭代。

监控频率	PSI 计算对象	告警阈值	响应动作
每日	整体模型分数分布	> 0.15	发送告警，人工排查
每周	每个入模特征	> 0.10	分析特征偏移原因
每月	分客群（新客/老客）	> 0.20	启动模型迭代评估

监控阶段的 PSI 通常与模型性能指标（KS、AUC、Lift）联合使用。当 PSI 升高但模型性能未下降时，可能是“良性偏移”（如客群自然增长）；当 PSI 与性能同时恶化时，则必须立即启动迭代。

当模型需要迭代时（如加入新特征、调整权重、更换算法），PSI 用于评估新旧模型版本之间的分布差异，以及新模型与当前生产环境数据的匹配度。

版本间 PSI 对比：计算新模型（V2）与旧模型（V1）在相同样本上的分数分布 PSI。若 PSI > 0.20，说明两个模型决策逻辑差异较大，需要谨慎上线。
新模型 vs. 当前数据 PSI：用新模型对最近一周的生产数据打分，计算与训练基准的 PSI，确保新模型能适应当前数据分布。
回滚决策支持：当新版本上线后 PSI 快速升高且伴随性能下降，PSI 可作为回滚的量化依据——通常 PSI 连续 3 天 > 0.25 即触发自动回滚。

迭代阶段 PSI 误用警示： 不要仅凭 PSI 低就认为新模型更好。PSI 只衡量分布稳定性，不衡量区分能力。新模型可能 PSI 很低但 KS 也低（即“稳定但无用”）。必须结合 PSI + 性能指标做综合决策。

生命周期阶段	PSI 核心角色	典型阈值	主要输出
模型开发	特征筛选 & 基准建立	特征 PSI < 0.05	稳健特征子集 + 基准分布
模型部署	上线前分布一致性验证	整体 PSI < 0.10	部署放行 / 暂停决策
模型监控	实时稳定性告警	整体 PSI < 0.15	告警 / 人工排查 / 迭代触发
模型迭代	版本差异评估 & 回滚依据	版本间 PSI < 0.20	版本上线 / 回滚决策

从开发到迭代，PSI 始终围绕一个核心问题：“当前模型所面对的数据分布，是否还是它当初学习时的那一个？”。在支付风控场景中，用户行为、交易模式、欺诈手法都在快速演变，PSI 就是量化这种演变的标尺，帮助风控团队在模型生命周期的每个节点做出数据驱动的决策。