1. PSI 概念与起源：群体稳定性指标
1.1 数学定义：PSI 从何而来？
群体稳定性指标（Population Stability Index，PSI）最早源于统计过程控制与分布比较理论，后被引入信用评分卡领域，用于衡量两个样本群体在特征分布上的差异程度。其数学本质是 信息熵（Kullback-Leibler Divergence）的对称化变体，通过比较实际分布（Actual）与预期分布（Expected）在每个分箱上的占比变化，量化整体偏移量。
PSI 的计算公式如下：
PSI = Σ (Actual_i - Expected_i) × ln(Actual_i / Expected_i)
其中：
- Actual_i = 第 i 个分箱中实际样本占比
- Expected_i = 第 i 个分箱中预期（基准）样本占比
- i = 1, 2, ..., n（n 为分箱总数）实际应用中，通常将评分或特征值划分为 10～20 个等距分箱，确保每个分箱有足够的样本量。PSI 值越小，说明两个群体分布越接近；PSI 值越大，说明分布偏移越严重。
💡 分箱经验规则：信用风控中常用 10 分位等宽分箱。若某分箱样本占比为 0，则用 0.0001 替代，避免 ln(0) 计算异常。
1.2 PSI 在信用风控中的核心价值
在信用风控全生命周期中，模型部署后的稳定性监控是风控体系的关键防线。PSI 的核心价值体现在以下三个层面：
- 模型时效性预警：当评分卡或机器学习模型上线后，客群结构可能因宏观经济、政策调整、获客渠道变化而发生偏移。PSI 持续监测评分分布，一旦超过阈值立即触发告警。
- 风险策略动态调整：PSI 漂移提示模型区分能力可能下降，风控策略需同步调整——例如收紧审批阈值、增加人工复核、引入新特征。
- 监管合规与审计：金融机构监管要求模型可解释、可监控。PSI 作为标准化稳定性指标，是模型监控报告和监管报送的必备内容。
📊 行业通用 PSI 阈值标准：
| PSI 范围 | 漂移程度 | 建议动作 |
|---|---|---|
| PSI < 0.1 | 无显著漂移 | 继续监控，无需干预 |
| 0.1 ≤ PSI < 0.25 | 轻度漂移 | 深入排查特征变化，准备策略预案 |
| PSI ≥ 0.25 | 严重漂移 | 立即告警，启动模型重训或策略重构 |
1.3 PSI 与 KS、IV 的核心区别
信用风控中，KS（Kolmogorov-Smirnov）、IV（Information Value）和 PSI 是三个最常用的统计指标，但它们的应用场景、计算对象、评价维度截然不同。下表从五个维度进行对比：
| 对比维度 | PSI（群体稳定性指标） | KS（区分度指标） | IV（信息价值指标） |
|---|---|---|---|
| 核心目的 | 衡量模型评分/特征在时间维度上的分布稳定性 | 衡量模型对好坏客户的区分能力 | 衡量特征对好坏客户的预测能力 |
| 比较对象 | 同一群体在不同时间点的分布 | 好客户与坏客户的累计分布差异 | 好客户与坏客户的分布差异 |
| 应用阶段 | 模型上线后持续监控 | 模型开发与验证 | 特征筛选与模型开发 |
| 数值范围 | 0 到正无穷（通常 < 0.25 为安全） | 0 到 1（通常 > 0.3 为可接受） | 0 到正无穷（通常 > 0.02 为有效） |
| 对样本量的敏感度 | 中等（分箱方式影响结果） | 较低（基于排序） | 较高（分箱方式影响大） |
⚠️ 常见误区：PSI 低不代表模型效果好，只代表分布稳定。一个区分能力很差的模型，如果其评分分布长期不变，PSI 依然可以很低。因此 PSI 必须与 KS、AUC 等区分度指标配合使用，形成完整的监控体系。
1.4 PSI 漂移监控流程架构
下图展示了 PSI 在信用风控模型监控中的完整流程，从数据采集到告警处置的闭环：
1.5 PSI 与 KS、IV 的关系图解
为了更直观地理解三个指标在信用风控模型生命周期中的位置，下图展示了从特征筛选到模型监控的完整链路：
📌 核心结论：PSI 不是替代 KS 或 IV 的指标，而是信用风控监控体系中不可或缺的第三极。IV 回答“特征是否有效”，KS 回答“模型能否区分好坏”，PSI 回答“模型是否还适用于当前客群”。三者结合，才能构建完整的模型开发与监控闭环。