4. 信用风控模型生命周期：模型开发、验证、监控、退役全流程中PSI的角色定位
信用风控模型并非“一次开发、永久使用”的静态产物。从开发到退役，模型经历完整的生命周期。PSI（群体稳定性指标）在这一周期中扮演着“连续性体检”的角色，在不同阶段承担差异化的监控与决策职能。理解PSI在生命周期各节点的定位，是构建有效模型治理体系的前提。
4.1 模型生命周期四阶段概览
信用风控模型的生命周期通常划分为四个核心阶段：开发、验证、监控、退役。PSI在每个阶段的应用目标与计算方式有所不同。
| 阶段 | 核心任务 | PSI角色定位 | 典型触发动作 |
|---|---|---|---|
| 开发 | 样本选择、特征工程、模型训练 | 验证开发样本与建模总体的分布一致性 | 调整样本窗口、剔除分布偏移严重的特征 |
| 验证 | 离线测试、交叉验证、回溯测试 | 评估验证集与训练集之间的分布漂移程度 | 拒绝模型上线、要求重新采样或特征重构 |
| 监控 | 在线性能追踪、实时/准实时告警 | 持续检测生产数据与建模基准的分布偏离 | 触发告警、启动人工排查、触发模型校准 |
| 退役 | 模型下线、替代模型切换 | 量化旧模型与新模型在过渡期的分布差异 | 确定切换窗口、评估替代模型对业务的影响 |
关键认知：PSI不是“监控阶段专属指标”。在开发与验证阶段提前引入PSI，可以大幅降低模型上线后因分布漂移导致的性能崩塌风险。
4.2 开发阶段：PSI用于样本代表性校验
模型开发的第一步是选择训练样本。如果训练样本与模型实际将要应用的总体存在显著分布差异，后续所有工作都将建立在“有偏”的基础上。PSI在此阶段用于量化样本代表性。
- 样本窗口选择：对比不同时间窗口（如近3个月 vs 近6个月）的样本分布，选择PSI最小的窗口作为训练集。
- 特征筛选辅助：计算每个特征在开发样本与全量样本之间的PSI，剔除PSI > 0.1的高漂移特征。
- 拒绝推断效果验证：对比推断后样本与通过样本的PSI，确保拒绝推断未引入严重分布扭曲。
实战经验：某消费信贷项目在开发时使用近12个月样本，PSI计算显示近3个月样本与全量样本的PSI为0.08，而近12个月样本的PSI为0.15。最终选择近3个月样本，模型上线后KS值比使用12个月样本高出4个百分点。
4.3 验证阶段：PSI作为上线准入条件
模型开发完成后，进入验证阶段。验证不仅关注区分度（KS、AUC）和校准度（校准曲线），还必须评估分布稳定性。PSI在此阶段作为“上线准入”的硬性条件之一。
验证阶段的PSI计算通常采用以下对比方式：
- 训练集 vs 验证集：评估模型在独立验证集上的分布漂移，PSI应 < 0.1。
- 训练集 vs 近期样本：评估模型在最新业务数据上的分布漂移，PSI应 < 0.15。
- 分位数分段验证：按模型评分分位数分段计算PSI，识别具体哪些分数段出现漂移。
| PSI范围 | 稳定性判定 | 验证阶段处理建议 |
|---|---|---|
| < 0.05 | 高度稳定 | 直接通过，无需额外处理 |
| 0.05 – 0.10 | 轻度漂移 | 需人工复核，确认漂移原因后可上线 |
| 0.10 – 0.25 | 中度漂移 | 拒绝上线，要求重新采样或特征重构 |
| > 0.25 | 严重漂移 | 强制拒绝，需重新开发模型 |
4.4 监控阶段：PSI作为持续告警核心指标
模型上线后，监控阶段是PSI应用最密集、最关键的环节。PSI在此阶段承担“连续体检”职能，通过定期计算生产数据与基准分布的差异，及时发现模型退化信号。
监控阶段的PSI实施要点：
- 监控频率：日级或周级计算，根据业务量调整。高流量场景（如日审批量 > 10万笔）建议日级监控。
- 基准选择：通常使用模型开发时的训练集分布作为基准，也可使用滚动窗口（如近30天）作为动态基准。
- 分层监控：除整体PSI外，按客群分层（如新客/老客、不同产品线）分别计算PSI，定位漂移来源。
- 告警阈值：设置三级告警阈值（如0.05/0.10/0.25），对应不同响应级别。
常见误区：仅监控整体PSI而忽略分层监控。整体PSI可能处于0.08的“安全区”，但某个细分客群的PSI已高达0.30，导致该客群坏账率飙升却未被及时发现。
4.5 退役阶段：PSI用于切换过渡评估
当模型性能持续下降或业务环境发生根本性变化时，模型进入退役阶段。PSI在此阶段用于量化旧模型与新模型（或规则策略）之间的分布差异，确保切换过程平稳可控。
退役阶段的PSI应用场景：
- 新旧模型分布对比：计算旧模型评分分布与新模型评分分布之间的PSI，评估切换对客群分布的影响。
- 过渡期监控：在并行运行期间，持续计算新旧模型输出结果的PSI，确保切换未引入异常分布偏移。
- 业务影响量化：结合PSI与坏账率、通过率等业务指标，量化切换对业务的实际影响。
实战案例：某银行信用卡模型退役时，新旧模型整体PSI为0.12。进一步分层计算发现，高额度客群PSI为0.28，低额度客群PSI为0.05。最终采用“分客群逐步切换”策略，先切换低额度客群，再针对高额度客群进行模型校准后切换，避免了整体切换带来的风险冲击。
4.6 PSI在生命周期中的联动机制
PSI不是孤立运行的指标。在完整的模型生命周期中，PSI需要与其他监控指标联动，形成多维度的模型健康评估体系。
| 联动指标 | 与PSI的关系 | 联动决策逻辑 |
|---|---|---|
| KS / AUC | 区分度指标，PSI上升通常伴随KS下降 | PSI > 0.10 且 KS下降 > 5% → 触发模型校准 |
| 校准曲线 | 校准度指标，PSI漂移可能导致校准偏移 | PSI > 0.15 且校准曲线偏移 > 10% → 触发模型重构 |
| 特征PSI | 特征级漂移，定位PSI上升的根因 | 整体PSI > 0.10 → 检查Top 5特征PSI，定位漂移来源 |
| 业务指标 | 通过率、坏账率、审批率等 | PSI > 0.10 且通过率变化 > 5% → 启动人工排查 |
重要提醒：PSI本身是“分布差异”的度量，不是“模型好坏”的直接度量。PSI上升不一定意味着模型失效，可能是业务策略调整或客群结构变化所致。必须结合业务指标和特征级分析，才能做出正确的决策。
4.7 生命周期各阶段PSI阈值建议
不同阶段对PSI的容忍度不同。开发与验证阶段要求更严格的阈值，监控阶段可根据业务风险偏好设置分级阈值，退役阶段则更关注新旧模型的相对差异。
| 生命周期阶段 | 建议阈值 | 阈值设定依据 |
|---|---|---|
| 开发阶段（样本校验） | < 0.05 | 确保训练样本高度代表总体 |
| 验证阶段（上线准入） | < 0.10 | 允许轻度漂移，但需人工确认 |
| 监控阶段（黄色告警） | 0.05 – 0.10 | 触发人工关注，排查漂移原因 |
| 监控阶段（橙色告警） | 0.10 – 0.25 | 触发模型校准或局部重构 |
| 监控阶段（红色告警） | > 0.25 | 触发模型紧急下线或全面重构 |
| 退役阶段（切换评估） | < 0.15 | 确保新旧模型分布差异可控 |
通过将PSI嵌入模型生命周期的每个关键节点，风控团队能够从“被动响应”转向“主动预防”，在模型性能显著下降之前提前识别风险信号，实现真正的模型治理闭环。