1. PSI 概念与业务背景
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量化指标。在风控模型监控中，PSI 用于比较模型评分在 开发样本（基准期）与 生产样本（监控期）上的分布变化，从而判断模型是否发生漂移。
PSI 的计算基于对评分区间进行分箱，并比较每个箱内样本占比的变化。其数学公式如下：
PSI = Σ (Actual_i - Expected_i) × ln(Actual_i / Expected_i)
其中：
- Expected_i = 基准期第 i 个分箱的样本占比
- Actual_i = 监控期第 i 个分箱的样本占比
- i = 1, 2, ..., n（n 为分箱数量）PSI 值越大，说明两个分布之间的差异越大，模型发生漂移的可能性越高。业界通常采用以下阈值进行初步判断：
| PSI 范围 | 漂移程度 | 建议动作 |
|---|---|---|
| PSI < 0.1 | 无显著漂移 | 模型稳定，无需干预 |
| 0.1 ≤ PSI < 0.25 | 轻度漂移 | 需关注，排查原因 |
| PSI ≥ 0.25 | 严重漂移 | 立即告警，启动模型重构 |
💡 关键理解： PSI 不是衡量模型预测准确率的指标，而是衡量模型所依赖的 数据分布 是否发生变化的指标。即使模型准确率暂时不变，PSI 升高也预示着未来模型失效的风险。
1.2 PSI 在风控模型监控中的核心价值
在信贷风控、反欺诈、客户评分等场景中，模型一旦上线，其运行环境并非一成不变。PSI 监控的价值体现在以下三个层面：
- 早期预警： 在模型效果明显下降之前，PSI 能提前捕捉到数据分布的变化，为风控团队争取宝贵的排查和响应时间。
- 归因定位： 通过分箱级别的 PSI 贡献度分析，可以快速定位是哪个评分区间的分布发生了剧烈变化，从而缩小问题排查范围。
- 合规审计： 监管机构要求金融机构对模型进行持续监控。PSI 报告是模型风险管理体系中不可或缺的量化证据。
📊 业务价值量化： 某头部消金公司实践表明，引入 PSI 实时监控后，模型失效导致的坏账损失降低了约 23%，模型迭代周期从季度级缩短至周级。
1.3 模型失效与数据漂移的关系
模型失效通常不是突然发生的，而是数据漂移逐步累积的结果。理解两者之间的关系，是制定有效监控策略的前提。
数据漂移主要分为两类：
| 漂移类型 | 定义 | 典型原因 | 对模型的影响 |
|---|---|---|---|
| 特征漂移 (Feature Drift) |
模型输入特征的分布发生变化 | 用户群体结构变化、数据采集方式变更、外部经济环境波动 | 模型对特征的权重分配不再适用，预测偏差增大 |
| 概念漂移 (Concept Drift) |
特征与目标变量之间的关系发生变化 | 用户还款意愿改变、欺诈模式升级、政策法规调整 | 模型学到的决策边界失效，即使特征分布不变，预测也不再准确 |
PSI 主要捕捉的是 特征漂移 导致的模型评分分布变化。当特征漂移累积到一定程度，必然会引发概念漂移，最终导致模型失效。因此，PSI 监控是模型失效的 前置指标，而非事后指标。
⚠️ 常见误区： 不要等到模型 KS/AUC 等性能指标明显下降时才启动排查。PSI 升高往往比性能指标下降提前 2-4 周，错过这个窗口期，风险敞口会显著扩大。
1.4 从数据漂移到 PSI 告警的完整链路
为了更直观地理解 PSI 在风控监控体系中的位置，下图展示了从数据产生到告警触发的完整链路：
1.5 本章小结
- PSI 是衡量模型评分分布稳定性的核心指标，通过分箱比较基准期与监控期的样本占比差异。
- 核心价值 在于早期预警、归因定位和合规审计，是风控模型监控体系的第一道防线。
- 模型失效 是数据漂移（特征漂移 + 概念漂移）长期累积的结果，PSI 是捕捉特征漂移的前置指标。
- 监控链路 从数据采集、PSI 计算、阈值判断到告警输出，形成完整的闭环监控体系。