风控模型PSI异常波动分析课程 - 第1节
1.1 PSI 的定义
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。在风控模型中，PSI 用于比较模型评分在预期分布（建模样本或基准期）与实际分布（监控期或跨时间样本）之间的偏移程度。
PSI 的计算基于对评分区间进行等宽或等频分箱，然后逐箱计算实际占比与预期占比的差异，并累加得到最终指标。其数学表达式为：
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_i：第 i 个分箱中基准样本的占比
- 实际占比_i：第 i 个分箱中监控样本的占比
- ln：自然对数，用于放大差异信号
💡 理解要点：PSI 本质上是两个概率分布之间的散度度量。当两个分布完全一致时，PSI = 0；分布差异越大，PSI 值越高。
1.2 PSI 在风控模型中的核心作用
PSI 是风控模型上线后监控和持续运维阶段最核心的量化指标之一。它的作用贯穿模型生命周期的多个关键环节：
| 应用场景 | 核心作用 | 典型阈值 |
|---|---|---|
| 模型上线监控 | 验证模型在真实业务环境中的评分分布是否与开发阶段一致 | PSI < 0.10 |
| 定期稳定性巡检 | 按月/按周监测模型评分偏移趋势，提前预警模型退化 | 0.10 ≤ PSI < 0.25 |
| 客群结构变化检测 | 识别申请客群、存量客群在特征分布上的结构性漂移 | PSI ≥ 0.25 |
| 模型迭代触发判断 | 当 PSI 持续超过阈值时，触发模型重训或版本更新决策 | 连续 2 期 > 0.25 |
🔑 关键认知：PSI 不是衡量模型预测能力（如 AUC、KS）的指标，而是衡量模型稳定性的指标。一个高 AUC 但 PSI 持续恶化的模型，在业务上可能比一个低 AUC 但稳定的模型更具风险。
1.3 PSI 与模型稳定性的关系
模型稳定性是指模型在不同时间窗口、不同客群子集或不同业务场景下，其评分分布和排序能力保持一致的特性。PSI 与模型稳定性之间存在以下核心关系：
- PSI 是稳定性的量化标尺：PSI 将抽象的“稳定性”概念转化为可比较、可监控的数值，使风控团队能够客观判断模型是否发生漂移。
- PSI 反映客群迁移：当模型评分分布发生偏移时，通常意味着申请客群或存量客群在关键特征（如收入、负债、征信查询次数）上发生了结构性变化，这种变化会直接影响模型的风险排序能力。
- PSI 与模型性能衰减正相关：大量实证研究表明，PSI 的持续上升往往伴随着模型区分度（KS、Gini）的下降，两者之间存在显著的正相关关系。
⚠️ 常见误区：PSI 低（如 < 0.10）并不代表模型一定“好”。如果模型本身在开发阶段就存在过拟合或特征选择偏差，即使 PSI 稳定，模型在真实业务中的表现也可能很差。PSI 是必要条件，而非充分条件。
1.4 PSI 阈值与行动指南
行业通用的 PSI 阈值体系如下，风控团队应结合自身业务特点建立分级响应机制：
| PSI 范围 | 稳定性等级 | 建议行动 |
|---|---|---|
| PSI < 0.10 | ✅ 稳定 | 无需干预，持续常规监控 |
| 0.10 ≤ PSI < 0.25 | ⚠️ 轻度偏移 | 排查客群结构变化，检查特征分布，准备应急预案 |
| PSI ≥ 0.25 | 🚨 严重偏移 | 立即触发模型评审，启动模型重训或版本回退流程 |
📊 实践建议：建议在模型上线初期（前 3 个月）采用更严格的阈值（如 PSI < 0.05 为稳定），因为此时模型与真实业务的磨合尚未完成，微小的分布偏移也可能预示潜在问题。待模型运行稳定后，再回归到标准阈值体系。