1. PSI 概念与业务背景：群体稳定性指标
1.1 什么是群体稳定性指标 (PSI)
群体稳定性指标（Population Stability Index，PSI） 是衡量两个样本分布之间差异程度的统计量。在评分卡监控场景中，PSI 用于量化模型评分（或特征分数）在 开发样本（预期分布） 与 当前生产样本（实际分布） 之间的偏移程度。
PSI 的计算基于对分数区间进行分箱，然后比较每个箱内样本占比的变化。其数学公式为：
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_i：开发样本在第 i 个分数区间的样本比例
- 实际占比_i：当前生产样本在第 i 个分数区间的样本比例
- ln：自然对数
💡 直观理解： PSI 可以看作是两个概率分布之间的“距离”度量。如果两个分布完全一致，PSI = 0；差异越大，PSI 值越高。
1.2 PSI 与模型退化的关系
评分卡模型在部署后，由于宏观经济环境、客户群体结构、政策法规等因素的变化，模型输入特征与目标变量之间的关系可能发生改变，导致模型预测能力下降。这种 模型退化 通常表现为评分分布的整体偏移。
PSI 正是捕捉这种偏移的核心指标。下表总结了 PSI 值与模型稳定性的对应关系：
| PSI 范围 | 稳定性等级 | 业务含义 | 建议行动 |
|---|---|---|---|
| < 0.1 | 稳定 | 模型评分分布无明显变化 | 常规监控，无需干预 |
| 0.1 – 0.25 | 轻度漂移 | 评分分布出现轻微偏移，需关注 | 排查特征变化，加强监控频率 |
| > 0.25 | 严重漂移 | 评分分布发生显著变化，模型可能失效 | 立即告警，启动模型重训或校准 |
⚠️ 注意： PSI 阈值并非绝对固定。对于高风险业务（如信贷审批），建议采用更严格的阈值（如 0.1 即告警）；对于低风险场景，可适当放宽至 0.2。
1.3 为什么 PSI 在评分卡监控中至关重要
评分卡模型广泛应用于信贷审批、客户评级、欺诈检测等金融场景，其输出分数直接决定业务决策。PSI 监控的重要性体现在以下四个维度：
- 早期预警：PSI 能在模型性能显著下降之前，提前发现评分分布的结构性变化，为风控团队争取响应时间。
- 量化漂移程度：PSI 提供统一的数值标准，避免主观判断，便于跨模型、跨时间段的横向对比。
- 定位退化原因：通过计算 特征级 PSI，可以快速定位导致模型退化的具体特征变量，缩小排查范围。
- 合规与审计要求：金融监管机构要求模型使用方持续监控模型表现，PSI 报告是模型风险管理体系中的必备文档。
1.4 PSI 漂移的业务影响链路
下图展示了 PSI 漂移如何从数据层传导至业务决策层，最终影响机构收益与风险：
1.5 PSI 与模型退化：从相关性到因果性
PSI 升高并不直接等同于模型退化，但两者之间存在强相关性。理解这种关系有助于正确解读监控信号：
| 场景 | PSI 状态 | 模型性能 (AUC/K-S) | 解读 |
|---|---|---|---|
| 良性偏移 | 轻度升高 (0.1–0.15) | 保持稳定或略升 | 客群结构优化，模型仍有效 |
| 恶性偏移 | 显著升高 (>0.2) | 明显下降 | 模型失效，需立即干预 |
| 滞后退化 | 缓慢升高 (0.05–0.1/月) | 逐步下降 | 模型老化，需规划重训 |
| 突发冲击 | 急剧升高 (>0.3) | 断崖式下降 | 外部事件冲击，紧急停用模型 |
📌 关键结论： PSI 是模型退化的 必要非充分条件。PSI 升高必须结合模型性能指标（AUC、K-S、准确率等）综合判断，才能准确评估模型健康状况。
1.6 评分卡监控中的 PSI 应用场景
在实际风控体系中，PSI 监控覆盖以下三个层级：
- 模型级 PSI：监控整个评分卡输出分数的分布稳定性，是最高层级的漂移指标。
- 特征级 PSI：监控每个入模特征的分布稳定性，用于定位漂移根因。
- 分箱级 PSI：监控评分卡每个分数区间的占比变化，用于精细化分析。
下图展示了这三个层级在监控体系中的位置关系：