1. 课程导论：PSI（群体稳定性指标）的基本概念、漂移监控在风控中的重要性、团伙识别场景的特殊性
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，最早由金融风控领域引入，用于监控模型评分或特征分布在时间维度上的变化。PSI 的核心思想是：如果模型在训练集上的预测分布与当前生产环境中的预测分布发生显著偏移，则说明模型可能已经失效或环境发生了结构性变化。
PSI 的计算基于信息论中的 KL 散度（Kullback-Leibler divergence），但做了对称化处理。其计算公式如下：
PSI = Σ (P_i - Q_i) * ln(P_i / Q_i)
其中：
- P_i：基准分布（如训练集）在第 i 个分箱中的样本占比
- Q_i：目标分布（如当前月）在第 i 个分箱中的样本占比
- 分箱通常按等频或等距方式划分为 10 个区间
PSI 判定阈值（行业通用标准）
- PSI < 0.1：无显著漂移，模型稳定
- 0.1 ≤ PSI < 0.25：轻度漂移，需关注并排查原因
- PSI ≥ 0.25：严重漂移，模型需立即重新训练或调整
1.2 漂移监控在风控中的重要性
在信贷风控、交易反欺诈、账户安全等场景中，模型部署后并非一劳永逸。用户行为、经济环境、欺诈手法都在持续变化，导致模型输入特征与输出分数的分布发生漂移。如果不进行监控，可能引发以下风险：
| 漂移类型 | 定义 | 风控影响 |
|---|---|---|
| 特征漂移 | 模型输入特征的分布随时间变化 | 模型决策边界失效，误判率上升 |
| 概念漂移 | 特征与目标变量之间的关系发生变化 | 模型预测能力下降，坏账率或欺诈漏报率升高 |
| 评分漂移 | 模型输出分数（如信用分、欺诈分）整体偏移 | 审批通过率异常波动，业务策略失效 |
⚠ 常见误区：很多团队只监控模型 AUC 或 KS 等区分度指标，却忽略了 PSI 漂移。实际上，PSI 可以在模型性能明显下降之前提前预警，是风控模型监控体系中“最先响应的哨兵”。
1.3 团伙识别场景的特殊性
团伙识别（Collusion Detection / Syndicate Detection）与传统的个体欺诈评分模型有本质区别。在团伙识别场景中，PSI 漂移监控面临以下独特挑战：
- 群体行为突变：团伙往往在短时间内集中发起攻击，导致特征分布发生剧烈、非连续的漂移，而非渐进式变化。
- 特征维度高且稀疏：团伙识别常用图特征（如一度关系数、二度关系数、连通分量大小）、设备指纹、IP 关联等，这些特征在正常样本中取值稀疏，但在团伙样本中会突然密集，PSI 计算时容易因分箱稀疏而产生偏差。
- 正样本极度稀缺：团伙样本在整体客群中占比极低（通常 < 0.1%），传统 PSI 对整体分布敏感，容易淹没团伙带来的局部漂移信号。
- 对抗性漂移：欺诈团伙会主动探测风控规则，调整攻击手法以绕过模型，导致漂移模式具有伪装性和周期性。
核心观点：在团伙识别中，PSI 漂移监控不能仅停留在“整体分布是否稳定”的层面，而需要引入分层监控、局部漂移检测、图特征漂移追踪等增强手段，才能有效捕捉团伙活动的早期信号。
1.4 PSI 漂移监控在团伙识别中的整体框架
下图展示了 PSI 漂移监控在团伙识别应用中的核心流程与数据流转关系：
1.5 本章小结
PSI 漂移监控是风控模型生命周期管理中的核心环节，在团伙识别场景中更具挑战性和战略价值。本课程后续章节将深入讲解：
- PSI 的数学推导与工程实现细节
- 面向团伙识别的分层漂移监控方案
- 图特征漂移的量化方法与可视化
- 对抗性漂移的检测与应对策略
- 基于 PSI 的自动预警与模型迭代机制