1. 课程导论：PSI在贷后风控中的核心价值
1.1 特征漂移：贷后风控的“隐形杀手”
在信贷业务的生命周期中，模型上线只是起点。随着宏观经济波动、客群结构变化、业务策略调整，模型赖以生存的输入特征分布会逐渐偏离训练集。这种偏离被称为特征漂移（Feature Drift），是贷后预警失效的首要原因。
⚠ 真实案例警示：某头部消费金融公司，其贷后催收模型上线6个月后，KS从0.42骤降至0.18。复盘发现：由于某季度客群下沉，特征“近3月多头借贷次数”的均值从2.3飙升至5.7，模型却未感知到这一变化，导致大量高风险客户被误判为低风险，逾期率上升2.8倍。
特征漂移的危害可归纳为以下四个维度：
| 危害维度 | 具体表现 | 量化影响 |
|---|---|---|
| 模型性能衰减 | KS、AUC持续下降，区分能力退化 | KS下降0.1~0.3，AUC下降5%~15% |
| 排序能力错乱 | 高风险客户评分被低估，低风险客户被高估 | 坏账率上升20%~50% |
| 策略决策失效 | 催收分案、额度调整、利率定价偏离预期 | 催收成本增加30%，回收率下降15% |
| 监管合规风险 | 模型无法解释，无法通过模型验证审计 | 面临监管处罚、业务暂停风险 |
1.2 PSI：量化特征漂移的“标尺”
群体稳定性指标（Population Stability Index, PSI）是衡量两个样本分布差异的标准化度量。在贷后风控中，PSI用于量化当前评分/特征分布与建模基准分布之间的偏移程度。其计算公式如下：
PSI = Σ (P_i - Q_i) × ln(P_i / Q_i)
其中：
- P_i = 当前样本在第 i 个分箱中的占比
- Q_i = 基准样本在第 i 个分箱中的占比
- 分箱通常按等频或等距划分为10~20组PSI的判定阈值在业界已形成共识：
| PSI 范围 | 漂移程度 | 建议行动 |
|---|---|---|
| < 0.10 | 无显著漂移 | 持续监控，无需干预 |
| 0.10 ~ 0.25 | 轻度漂移 | 触发预警，排查原因，准备模型校准 |
| > 0.25 | 严重漂移 | 立即停用模型，启动重训或重构 |
💡 专业提示：PSI并非越高越好。当PSI接近0时，可能意味着模型对当前客群完全失去区分能力（所有样本集中在少数分箱）。建议结合特征重要性排序，优先监控Top 10~20个高权重特征的PSI。
1.3 PSI在贷后风控中的核心价值
PSI不仅是监控指标，更是贷后风控体系的预警中枢。其核心价值体现在三个层面：
- 早期预警：在模型性能明显下降前（通常提前1~3个月），PSI即可捕捉到特征分布的细微变化，为风控团队争取宝贵的响应时间。
- 归因定位：通过逐特征计算PSI，结合特征重要性排序，可快速定位导致模型失效的“元凶特征”，避免盲目重训。
- 决策支持：PSI阈值与业务动作挂钩，形成“监控→预警→排查→校准→验证”的闭环管理流程，提升风控体系的自动化水平。
📊 关键数据：根据多家银行和消金公司的实践统计，建立PSI监控体系后，模型失效导致的坏账损失平均降低35%~50%，模型重训频率从每季度1次优化为按需触发，节省60%以上的模型维护成本。
1.4 课程目标与学习路径
本课程旨在帮助学员从零搭建一套完整的PSI监控体系，覆盖贷后预警的全流程。课程采用“理论+代码+实战”三合一模式，确保学完即用。
| 模块 | 章节范围 | 核心产出 |
|---|---|---|
| 基础篇 | 第1~5章 | 理解PSI原理，掌握Python计算实现 |
| 监控篇 | 第6~12章 | 搭建自动化监控看板，配置预警规则 |
| 实战篇 | 第13~22章 | 真实贷后数据集演练，处理多场景漂移 |
| 进阶篇 | 第23~30章 | 多模型对比、PSI优化、模型校准与重训 |
学习路径建议：
- 入门学员：按顺序学习基础篇→监控篇，重点掌握PSI计算和看板搭建。
- 进阶学员：直接进入实战篇，结合代码复现真实案例。
- 专家学员：关注进阶篇，深入PSI优化与模型校准策略。
🎯 课程承诺：完成本课程后，你将能够独立搭建PSI监控体系，实现贷后特征漂移的自动化预警，并掌握模型校准与重训的实战技能。所有代码均提供完整注释，可直接复用于生产环境。