3. PSI 指标原理：群体稳定性指标
群体稳定性指标（Population Stability Index, PSI）是反欺诈风控中衡量模型评分或特征分布在时间维度上是否发生显著偏移的核心量化工具。当客群行为、欺诈模式或数据采集方式发生变化时，PSI 能够第一时间发出预警，避免模型因环境漂移而失效。
3.1 数学定义与核心公式
PSI 基于信息论中的 Kullback-Leibler 散度（相对熵）对称化改造而来，用于衡量两个概率分布之间的差异程度。在风控场景中，通常比较的是 预期分布（基准分布） 与 实际分布（当前分布） 在每个分箱上的占比变化。
其标准计算公式如下：
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：
- i 表示第 i 个分箱（共 N 个分箱）
- 实际占比_i = 当前样本在第 i 箱中的数量 / 当前样本总数
- 预期占比_i = 基准样本在第 i 箱中的数量 / 基准样本总数
- ln 为自然对数
公式解读： 当实际分布与预期分布完全一致时，每个分箱的 (实际占比 - 预期占比) = 0，且 ln(1) = 0，因此 PSI = 0。PSI 值越大，说明两个分布的差异越显著，模型稳定性越差。
3.2 分箱方法
PSI 的计算依赖于对连续变量或概率值进行离散化分箱。不同的分箱方法会直接影响 PSI 的敏感度和稳定性判断。以下是三种主流分箱方法的对比：
| 分箱方法 | 操作方式 | 适用场景 | 注意事项 |
|---|---|---|---|
| 等距分箱 | 将数值范围均匀划分为 K 个等宽区间 | 评分卡分数、概率值等有明确上下界的变量 | 若数据分布极不均匀，可能出现空箱或样本过少 |
| 等频分箱 | 按样本数量均分，使每个箱内样本数大致相等 | 特征分布未知或长尾分布明显的场景 | 分箱边界可能随样本分布变化，跨期对比时需固定边界 |
| 自定义分箱 | 根据业务经验或风险阈值手动设定断点 | 有明确业务含义的分数段（如拒绝/人工/通过区间） | 需定期验证断点是否仍符合当前业务逻辑 |
分箱避坑： 分箱数量通常建议在 5~20 箱之间。箱数过少会掩盖局部漂移，箱数过多则可能因随机波动导致 PSI 虚高。在反欺诈图谱场景中，推荐使用 等频分箱 并固定分箱边界，以保证跨时间窗口的可比性。
下图展示了等距分箱与等频分箱在相同数据分布下的分箱效果差异：
3.3 PSI 阈值解读
在反欺诈图谱监控中，PSI 的数值大小直接对应模型稳定性的风险等级。以下是行业通用的阈值判断标准：
| PSI 范围 | 稳定性等级 | 业务含义 | 建议行动 |
|---|---|---|---|
| PSI < 0.1 | 稳定 | 当前分布与基准分布无显著差异，模型表现正常 | 持续监控，无需干预 |
| 0.1 ≤ PSI < 0.25 | 轻度漂移 | 分布出现一定偏移，需关注漂移方向与原因 | 排查特征变化、客群结构变化，准备模型校准 |
| PSI ≥ 0.25 | 严重漂移 | 分布发生显著偏移，模型预测能力可能大幅下降 | 立即停止模型决策，启动模型重建或紧急回滚 |
反欺诈图谱场景的特殊阈值： 在欺诈图谱场景中，由于欺诈行为具有对抗性和突发性，建议将阈值适当收紧——PSI ≥ 0.15 即触发预警，PSI ≥ 0.2 触发紧急响应。这是因为图谱特征（如节点度数、社区密度）的微小漂移可能预示着欺诈团伙的快速演化。
下图展示了 PSI 阈值区间与对应风险等级的直观映射：
3.4 PSI 计算完整流程
在实际反欺诈图谱监控中，PSI 的计算遵循以下标准化步骤：
- 确定基准分布： 选取模型上线后首周或首月的评分/特征分布作为基准。
- 选择分箱方案： 根据变量特性选择等频、等距或自定义分箱，固定分箱边界。
- 计算各箱占比： 分别统计基准样本和当前样本在各箱中的占比。
- 代入公式计算： 对每个分箱计算 (实际占比 - 预期占比) × ln(实际占比 / 预期占比)，并求和。
- 阈值判定与预警： 将计算结果与预设阈值比较，触发相应级别的预警动作。
工程实现提示： 在 Python 中可使用
numpy 和 pandas 高效实现 PSI 计算。注意处理分母为零的情况——当预期占比为 0 时，可将其替换为一个极小正数（如 1e-6）以避免除零错误。