特征巡检PSI指标计算从入门到实战 - 第1节
1.1 什么是群体稳定性指标 (PSI)
群体稳定性指标（Population Stability Index，简称 PSI） 是衡量两个样本分布之间差异程度的统计量。在风控与特征监控场景中，PSI 用于量化模型评分或特征值在 时间维度 上的分布偏移程度，从而判断模型或特征的稳定性是否在可接受范围内。
PSI 的核心思想来源于信息论中的 KL 散度（Kullback-Leibler divergence），但做了对称化处理，使其成为一个对称且有界的度量指标。其计算公式如下：
PSI = Σ (P_i - Q_i) * ln(P_i / Q_i)
其中：
- P_i：实际分布（当前样本）在第 i 个分箱中的占比
- Q_i：期望分布（基准样本）在第 i 个分箱中的占比
- Σ：对所有分箱求和PSI 值越小，说明两个分布越接近，模型或特征越稳定；PSI 值越大，说明分布偏移越严重，模型或特征可能已发生显著变化。
PSI 的直观理解
假设我们有一个信用评分模型，在 1 月份（基准期）和 6 月份（当前期）分别对客户进行评分。如果两个月份的评分分布几乎一致，PSI 会接近 0；如果 6 月份的高分段客户明显增多，PSI 就会显著上升，提示模型可能已经失效。
💡 记忆口诀：PSI 就是“分布差异的量化尺”——值小则稳，值大则变，超过阈值就要警惕。
1.2 PSI 在风控与特征监控中的核心价值
在金融风控、用户增长、推荐系统等数据驱动的业务中，PSI 是 特征巡检 和 模型监控 的基石指标。它的核心价值体现在以下三个层面：
1.2.1 模型稳定性监控
风控模型上线后，由于宏观经济变化、客群迁移、政策调整等因素，模型评分分布可能发生偏移。PSI 能够：
- 早期预警：在模型效果明显下降之前，通过 PSI 趋势发现分布偏移
- 量化阈值：行业通用标准为 PSI < 0.1 表示稳定，0.1 ~ 0.25 需关注，> 0.25 表示不稳定
- 辅助决策：当 PSI 超标时，触发模型重训或特征替换流程
1.2.2 特征质量巡检
单个特征的稳定性直接影响模型整体表现。PSI 在特征监控中的典型应用包括：
- 数据质量检测：发现特征值分布突变，可能由数据采集异常、上游字段变更引起
- 特征有效性评估：长期高 PSI 的特征可能已失去区分能力，需考虑剔除
- 特征工程验证：新特征上线后，对比其分布与预期是否一致
1.2.3 业务风险预警
PSI 不仅是技术指标，更是业务风险的“温度计”：
| PSI 区间 | 稳定性等级 | 业务含义 | 建议行动 |
|---|---|---|---|
| < 0.10 | 稳定 | 分布无明显偏移，模型可信 | 常规监控 |
| 0.10 ~ 0.25 | 需关注 | 分布出现轻度偏移，需排查原因 | 分析偏移方向，检查数据源 |
| > 0.25 | 不稳定 | 分布显著偏移，模型可能失效 | 立即告警，启动模型重训 |
⚠️ 常见误区：PSI 只衡量分布差异，不区分“变好”还是“变坏”。即使模型效果提升（如坏账率下降），如果评分分布发生大幅偏移，PSI 同样会报警。因此 PSI 需要结合业务指标（如 KS、AUC）综合判断。
1.3 PSI 计算流程概览
下图展示了 PSI 从数据准备到结果输出的完整计算流程，帮助你在进入实战前建立全局认知：
1.4 PSI 与其他稳定性指标的对比
在特征监控领域，除了 PSI，还有几种常用的稳定性指标。下表帮助你快速区分它们的适用场景：
| 指标名称 | 缩写 | 衡量对象 | 取值范围 | 主要用途 |
|---|---|---|---|---|
| 群体稳定性指标 | PSI | 特征/评分的分布差异 | [0, +∞) | 模型监控、特征巡检 |
| 特征重要性偏移 | FI Shift | 特征对模型贡献度的变化 | 无量纲 | 模型可解释性监控 |
| KS 统计量 | KS | 好坏样本的区分能力 | [0, 1] | 模型区分度评估 |
| 信息价值 | IV | 特征对目标的预测能力 | [0, +∞) | 特征筛选 |
📌 本章要点：
- PSI 是衡量两个分布差异的对称性指标，值越小越稳定
- 行业通用阈值：<0.1 稳定，0.1~0.25 需关注，>0.25 不稳定
- PSI 在风控中用于模型监控、特征巡检和业务风险预警
- PSI 只反映分布变化，不反映变化方向，需结合业务指标综合判断