1. PSI 概念与背景
1.1 PSI 的定义
群体稳定性指标（Population Stability Index，PSI） 是衡量模型评分或预测概率分布随时间或样本群体变化程度的量化指标。在贷后风控中，PSI 用于监控逾期预测模型输出的评分分布是否与建模时（开发样本）保持一致，从而判断模型是否发生“漂移”。
PSI 的计算基于对两个分布（预期分布与实际分布）的分箱比较，其数学公式如下：
PSI = Σ (Actual_i - Expected_i) × ln(Actual_i / Expected_i)
其中：
- Expected_i = 第 i 个分箱中预期样本占比（建模样本）
- Actual_i = 第 i 个分箱中实际样本占比（监控样本）
- ln = 自然对数
- i = 分箱序号（通常 10 等分）
PSI 判定阈值（行业通用标准）：
- PSI < 0.10：模型稳定性良好，无需干预。
- 0.10 ≤ PSI < 0.25：轻度漂移，需关注并排查原因。
- PSI ≥ 0.25：严重漂移，模型已失效，必须重新训练或调整。
1.2 PSI 在贷后风控中的重要性
贷后逾期预测模型是金融机构进行风险预警、催收策略分配、拨备计提的核心工具。如果模型评分分布发生漂移，将直接导致以下风险：
| 风险维度 | 具体影响 | 后果严重性 |
|---|---|---|
| 催收策略失效 | 高逾期风险客户被误判为低风险，错过最佳催收时机 | 高 |
| 拨备计提偏差 | 实际坏账率高于预期，导致准备金不足 | 高 |
| 监管合规风险 | 模型表现与备案材料不符，面临监管处罚 | 中高 |
| 业务决策误导 | 基于错误评分进行额度调整、续贷审批 | 中 |
| 模型生命周期缩短 | 未及时发现漂移，模型提前失效需紧急重建 | 中 |
关键认知：PSI 不是衡量模型“预测能力”的指标（如 AUC、KS），而是衡量模型“稳定性”的指标。一个高 AUC 的模型如果 PSI 持续恶化，其实际业务价值将迅速归零。在贷后风控中，稳定性往往比区分度更重要。
1.3 模型监控的行业背景
近年来，随着金融科技的发展和监管要求的趋严，模型监控已成为贷后风控体系的标准配置。以下是推动 PSI 监控普及的核心行业背景：
- 监管驱动：银保监会《商业银行互联网贷款管理暂行办法》、央行《金融科技发展规划》均明确要求建立模型持续监控机制，定期评估模型稳定性。
- 客群环境变化：宏观经济波动、疫情冲击、消费习惯迁移等因素导致借款人行为模式快速变化，模型极易发生漂移。
- 数据质量挑战：特征数据源变更、采集口径调整、缺失率上升等数据问题会直接反映在 PSI 上。
- 业务规模化需求：头部金融机构同时运行数百个模型，人工巡检已不可行，需要自动化 PSI 监控体系。
行业实践要点：
- PSI 监控频率建议：每日计算一次，每周生成监控报告，每月进行深度分析。
- PSI 应分层监控：按产品线、客群、渠道、时间窗口分别计算，避免全局平均掩盖局部漂移。
- PSI 需与业务指标联动：当 PSI 超过 0.10 时，应同步检查逾期率、催收回收率等业务指标是否异常。