3. PSI基础：群体稳定性指标(PSI)的数学原理、PSI在风控中的应用场景、PSI阈值判断标准
3.1 群体稳定性指标(PSI)的数学原理
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，在风控领域主要用于监控模型评分或关键特征在时间维度上的分布变化。PSI 的核心思想是：如果模型在开发样本（预期分布）和当前样本（实际分布）上的评分分布保持一致，则模型是稳定的；反之，若分布发生显著偏移，则模型可能已失效。
PSI 计算公式：
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：
- 预期占比（Expected）：模型开发时（或基准期）各分数段内的样本比例。
- 实际占比（Actual）：当前监控期各分数段内的样本比例。
- i：分数段编号，通常将评分范围等分为 10 组（分位数分箱）。
计算步骤：
- 分箱：将模型评分（0~1000 或 0~1 概率值）按等频或等距方式划分为 K 个区间（通常 K=10）。
- 统计占比：分别计算基准期和监控期落在每个区间内的样本数量占总样本数的百分比。
- 计算单区间贡献：对每个区间，计算 (实际占比 - 预期占比) × ln(实际占比 / 预期占比)。
- 求和：将所有区间的贡献值相加，得到最终的 PSI 值。
⚠ 数学注意事项： 当某个区间内预期占比或实际占比为 0 时，ln(0) 无定义。实际处理中，通常将占比为 0 的区间替换为一个极小值（如 0.0001），或将该区间与相邻区间合并，避免计算异常。
3.2 PSI在风控中的应用场景
PSI 在风控全生命周期中扮演着“模型健康度仪表盘”的角色，以下是三个核心应用场景：
| 应用场景 | 监控对象 | 监控频率 | 业务含义 |
|---|---|---|---|
| 模型评分漂移监控 | 模型输出的信用评分或违约概率 | 每周/每月 | 判断模型对当前客群的区分能力是否下降 |
| 特征分布漂移监控 | 入模特征（如收入、负债率、查询次数） | 每日/每周 | 发现数据源异常或客群结构变化 |
| 策略切分点稳定性监控 | 拒绝/通过阈值附近的评分分布 | 实时/每日 | 确保审批通过率不会因分布偏移而剧烈波动 |
💡 实战案例： 某消费金融公司每月计算一次模型评分的 PSI。某月发现 PSI 从 0.08 飙升至 0.25，经排查发现该月新增了大量“公积金贷”客群，其评分分布与历史客群显著不同。团队及时对模型进行了重训练，避免了坏账率上升。
3.3 PSI阈值判断标准
PSI 的数值大小直接反映了分布偏移的严重程度。行业通用的判断标准如下：
| PSI 范围 | 稳定性等级 | 建议措施 |
|---|---|---|
| PSI < 0.1 | 稳定 | 无需干预，模型表现正常 |
| 0.1 ≤ PSI < 0.25 | 轻度漂移 | 需关注，排查数据源或客群变化，准备模型重训练 |
| PSI ≥ 0.25 | 严重漂移 | 立即停止模型使用，回退至备用模型或紧急重训练 |
⚠ 阈值选择说明： 上述阈值是行业经验值，实际应用中可根据业务风险偏好微调。例如，在反欺诈场景中，PSI 阈值可收紧至 0.05；而在营销评分场景中，可放宽至 0.15。关键是要建立“阈值-措施”的联动机制，避免仅看数值而忽略业务影响。
PSI 阈值判断的注意事项：
- 样本量敏感：当监控期样本量过小（< 1000）时，PSI 容易因随机波动而偏高，此时应结合置信区间或 Bootstrap 方法判断。
- 分箱方式影响：等频分箱比等距分箱对分布尾部更敏感，建议在模型评分监控中使用等频分箱。
- 趋势判断：单次 PSI 偏高可能是偶发事件，应观察连续 3 期以上的趋势，若持续上升则需介入。
- 业务可解释性：PSI 仅反映分布差异，不直接说明差异原因。发现漂移后，需结合特征重要性、分箱明细表进行根因分析。
📌 实战口诀： “PSI 小于 0.1 放心用，0.1 到 0.25 要警惕，大于 0.25 马上停。” 配合每日/每周的自动化监控报表，可有效降低模型失效带来的坏账风险。