风控稳定性巡检实战：PSI监控与模型drift管理 - 第1节
1.1 为什么风控模型稳定性至关重要？
在信贷、保险、反欺诈等金融风控场景中，模型并非“一次部署、永久生效”。客群行为、宏观经济、数据采集方式、业务策略的持续变化，都会导致模型预测分布发生偏移。如果模型稳定性失控，轻则造成审批通过率异常波动、坏账率攀升，重则引发监管合规风险与业务亏损。
核心观点： 模型稳定性是风控体系的生命线。一个高区分度的模型如果稳定性差，其实际业务价值可能远低于一个区分度略低但长期稳定的模型。
稳定性巡检的核心目标在于：及早发现模型预测分布与建模样本分布之间的显著偏离，并量化偏离程度，为模型迭代或策略调整提供决策依据。
1.2 PSI 与 Drift 的核心概念
1.2.1 群体稳定性指标（PSI）
PSI（Population Stability Index）是衡量模型评分分布稳定性的最常用指标。它通过比较两个样本（通常为建模样本与当前生产样本）在相同分数区间上的占比差异，计算出一个综合偏离值。
| PSI 值范围 | 稳定性等级 | 建议行动 |
|---|---|---|
| PSI < 0.1 | 稳定 | 无需干预，持续监控 |
| 0.1 ≤ PSI < 0.25 | 轻度漂移 | 排查原因，加强监控频率 |
| PSI ≥ 0.25 | 严重漂移 | 立即预警，启动模型重训或策略调整 |
计算要点： PSI 对分箱方式敏感。通常按等频或等宽将分数划分为 10–20 个区间，每个区间占比不低于 5%，避免零占比导致计算异常。
1.2.2 模型 Drift（漂移）
模型 Drift 是一个更广义的概念，涵盖预测分布、特征分布、特征与目标关系的变化。PSI 主要衡量预测分数分布的漂移，而完整的 Drift 监控还应包括：
- 特征分布漂移（Data Drift）： 单个输入特征的分布变化，如年龄、收入、负债率等。
- 概念漂移（Concept Drift）： 特征与目标变量之间的映射关系发生变化，即“同样的特征值，违约概率变了”。
- 预测漂移（Prediction Drift）： 模型输出分数的整体分布变化，即 PSI 所衡量的对象。
常见误区： PSI 正常不代表模型一定健康。如果特征分布发生剧烈变化但相互抵消，PSI 可能仍处于低位，此时需要结合特征级监控才能发现潜在风险。
1.3 课程目标与学习路径
本课程旨在帮助风控模型与数据科学从业者建立一套完整的稳定性巡检体系，从指标计算到自动化监控，从原因定位到模型迭代。课程内容分为四大模块：
- 基础篇： 深入理解 PSI 计算原理、分箱策略、阈值设定，以及特征级 Drift 检测方法。
- 实战篇： 使用 Python 实现 PSI 与 Drift 监控流水线，包括自动化报表与预警系统搭建。
- 进阶篇： 多模型对比监控、分群稳定性分析、以及概念漂移的检测与应对策略。
- 案例篇： 真实风控场景中的稳定性问题复盘，从发现问题到解决方案的完整闭环。
1.4 本章小结
本章建立了风控模型稳定性的全局认知：
- 明确了稳定性巡检在风控体系中的核心地位。
- 区分了 PSI（群体稳定性指标）与模型 Drift（广义漂移）的概念层次。
- 规划了从基础到实战、从进阶到案例的完整学习路径。