4. PSI 阈值设定：从行业标准到业务场景的动态调整
PSI 的数值本身是一个无量纲的分布差异度量，但“多大算大”必须结合业务容忍度与模型风险等级来判定。本章从行业通用标准出发，给出不同贷后场景下的阈值调整策略，并提供一个可落地的决策框架。
4.1 行业通用 PSI 阈值标准
在信贷风控、营销响应、反欺诈等建模领域，经过多年实践，业界形成了三个公认的 PSI 阈值区间：
| PSI 区间 | 漂移等级 | 行业通用含义 | 建议动作 |
|---|---|---|---|
| PSI < 0.10 | 无显著漂移 | 特征分布基本稳定，模型可继续使用 | 常规监控，无需干预 |
| 0.10 ≤ PSI < 0.25 | 中度漂移 | 分布发生可察觉变化，需排查原因 | 触发预警，人工复核特征逻辑 |
| PSI ≥ 0.25 | 严重漂移 | 分布发生结构性改变，模型可能失效 | 紧急停用或立即重训 |
关键认知： 0.10 和 0.25 是“参考线”而非“铁律”。在贷后预警场景中，由于样本量、逾期定义、客群轮转等因素，直接套用 0.10 可能导致过度预警，而使用 0.25 又可能漏报早期风险。
4.2 不同业务场景下的阈值调整策略
贷后预警场景具有鲜明的业务分层特征。以下表格总结了四种典型场景的阈值调整逻辑：
| 业务场景 | 场景特征 | 推荐 PSI 阈值 | 调整理由 |
|---|---|---|---|
| M0→M1 早期逾期预警 | 样本量小、逾期标签稀疏、分布波动大 | 0.15 | 避免因样本波动频繁误报；0.10 过于敏感 |
| M3+ 严重逾期催收 | 样本量充足、标签稳定、业务影响大 | 0.10 | 需要尽早捕捉客群恶化信号，宁可多报不可漏报 |
| 贷后额度调整模型 | 连续型评分、客群轮转快、季节性明显 | 0.20 | 允许一定程度的季节性漂移，避免频繁调额 |
| 反欺诈后置评分 | 特征高度离散、欺诈团伙攻击导致突变 | 0.25 | 欺诈特征分布本身不稳定，0.10 会触发大量无效预警 |
实战建议： 在贷后预警系统中，建议为每个特征或每个模型版本单独配置阈值，而非使用全局统一阈值。初始值可参考上表，运行 2-3 个监控周期后根据实际预警命中率进行微调。
4.3 阈值决策流程：从 PSI 数值到业务动作
下图展示了贷后预警场景中，PSI 阈值如何与业务决策链路衔接：
4.4 阈值调整的量化方法
除了业务经验，还可以通过以下量化手段辅助阈值设定：
- 基于历史 PSI 分位数： 收集过去 6-12 个月每个监控周期的 PSI 值，取 90% 或 95% 分位数作为阈值。例如，若历史 PSI 的 90% 分位数为 0.13，则阈值可设为 0.13。
- 基于模型性能衰减曲线： 将 PSI 与模型 AUC、KS 等指标做时序对比，找到“PSI 超过多少时模型性能开始显著下降”的拐点。
- 基于业务损失模拟： 对不同的 PSI 阈值进行回测，计算“误报成本”与“漏报成本”的加权总和，选择总成本最低的阈值。
避坑提醒： 不要将 PSI 阈值设得过低（如 0.05），否则在贷后场景中会因为客群的自然轮转而频繁触发预警，导致监控团队“预警疲劳”，反而忽略真正的风险信号。建议初始阈值不低于 0.10。
4.5 阈值动态调整的闭环机制
贷后预警系统应具备阈值自学习能力。下图展示了阈值动态调整的闭环流程：
4.6 阈值设定清单
在实际项目中，建议按以下清单完成阈值配置：
- 确定业务场景 — 早期逾期 / 严重逾期 / 额度调整 / 反欺诈
- 选择初始阈值 — 参考 4.2 节表格中的推荐值
- 设置预警分级 — 例如：黄色预警（0.10~0.20）、红色预警（≥0.25）
- 配置自动动作 — 黄色预警发通知，红色预警自动暂停模型
- 建立回测机制 — 每季度根据预警命中率调整阈值
- 记录调整日志 — 每次阈值变更需记录原因、时间、影响范围
核心原则： PSI 阈值不是“设完就不管”的静态参数，而是需要与业务效果持续对齐的动态决策变量。在贷后预警场景中，宁可初期设置偏宽松（阈值偏高），再根据实际预警质量逐步收紧，也不要一开始就设得过严导致团队失去对预警的信任。