4. PSI（群体稳定性指标）详解
PSI（Population Stability Index，群体稳定性指标）是贷后预警特征漂移监控中最核心的量化工具。它衡量的是模型评分或关键特征在时间维度上的分布变化程度。当PSI超过阈值时，意味着模型赖以生存的“数据环境”已经发生改变，模型预测能力可能下降，需要触发告警并启动模型复核或特征重构。
核心认知： PSI 不直接衡量模型“好坏”，而是衡量“分布是否一致”。分布越稳定，模型在跨时间、跨客群上的表现越可预期。
4.1 PSI 计算公式
PSI 的计算基于信息论中的 KL 散度（Kullback-Leibler divergence）变体，用于比较两个概率分布的差异。在风控场景中，通常比较期望分布（Expected，如建模样本或基准期）与实际分布（Actual，如监控期）。
公式如下：
PSI = Σ (Actual_i - Expected_i) * ln(Actual_i / Expected_i)
其中：
- i = 第 i 个分箱（共 n 个箱）
- Actual_i = 实际分布中第 i 箱的样本占比
- Expected_i = 期望分布中第 i 箱的样本占比
- ln = 自然对数计算步骤：
- 分箱：将特征或评分按一定规则划分为 n 个区间（箱）。
- 计算占比：分别统计期望分布和实际分布中落在每个箱内的样本比例。
- 逐箱计算：对每个箱计算 (实际占比 - 期望占比) * ln(实际占比 / 期望占比)。
- 求和：将所有箱的计算结果相加，得到最终的 PSI 值。
注意事项： 当某个箱的期望占比或实际占比为 0 时，ln(0) 无定义。实际处理中，通常对占比进行微小平滑（如加 0.0001）或合并空箱，避免除零或对数无穷大。
4.2 分箱方法
分箱方式直接影响 PSI 的敏感度和稳定性。不同的分箱策略适用于不同的特征类型和监控目的。下表对比了三种主流分箱方法：
| 分箱方法 | 原理 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|---|
| 等距分箱 | 按数值范围等间隔划分（如 0-100, 100-200） | 评分卡分数、标准化后的特征 | 实现简单，箱边界固定，便于跨期对比 | 样本分布不均时，部分箱可能样本极少 |
| 等频分箱 | 按样本数量等比例划分（每箱约 10% 样本） | 长尾分布、非均匀分布的特征 | 每箱样本量均衡，统计稳定性高 | 箱边界随分布变化而移动，跨期对比需固定边界 |
| 决策树分箱 | 基于目标变量（如好坏标签）进行最优分裂 | 特征与目标关系非线性、需要业务解释性 | 分箱点具有业务区分意义，与模型逻辑一致 | 计算复杂，依赖标签，可能过拟合 |
实践建议： 贷后预警场景中，推荐使用等距分箱或固定边界分箱（基于建模时的分箱点）。这样能确保期望分布和实际分布使用完全相同的箱边界，避免因分箱方式变化引入的 PSI 波动。
4.3 PSI 阈值设定经验（0.1, 0.25）
在金融风控行业，经过大量实践验证，形成了以下通用的 PSI 阈值判断标准：
| PSI 值范围 | 稳定性等级 | 建议动作 |
|---|---|---|
| PSI < 0.1 | 稳定 | 无需告警，模型可继续使用 |
| 0.1 ≤ PSI < 0.25 | 轻度漂移 | 触发黄色预警，需关注并分析漂移原因 |
| PSI ≥ 0.25 | 显著漂移 | 触发红色预警，立即启动模型复核或特征重构 |
阈值背后的逻辑：
- 0.1 阈值：代表分布变化在可接受范围内，通常由正常的客群波动或季节性因素引起，模型仍能保持有效区分能力。
- 0.25 阈值：代表分布发生结构性变化，可能源于宏观政策调整、获客渠道变更、产品规则修改等重大因素。此时模型预测准确率可能显著下降，必须人工介入。
阈值调整建议： 对于高敏感业务（如反欺诈、首期逾期预警），可适当收紧阈值至 0.05（黄色）和 0.15（红色）；对于低频或长周期特征，可适当放宽至 0.15 和 0.3。建议结合历史 PSI 分布和模型性能衰减曲线进行动态校准。
4.4 PSI 计算与阈值判断流程
下图展示了从特征数据输入到告警触发的完整 PSI 监控流程：
4.5 实践中的常见陷阱与应对
- 陷阱一：分箱数量过少或过多。 箱数过少（如 2-3 箱）会掩盖局部漂移；箱数过多（如 20+ 箱）会导致每箱样本稀疏，PSI 波动剧烈。建议控制在 5-10 箱。
- 陷阱二：忽略样本量变化。 当监控期样本量远小于基准期时，PSI 会因抽样误差而偏高。建议对样本量不足的监控期进行 Bootstrap 重采样 或使用 修正 PSI。
- 陷阱三：单一阈值一刀切。 不同特征、不同客群对漂移的容忍度不同。建议为每个关键特征设置 个性化阈值，并结合业务经验动态调整。
- 陷阱四：只看 PSI 不看方向。 PSI 只反映分布差异大小，不反映差异方向。建议结合 特征均值漂移、分箱占比变化图 等辅助指标，定位具体漂移区间。
最佳实践总结： PSI 是贷后预警的“仪表盘”，但不要过度依赖单一指标。建议将 PSI 与 KS、AUC、特征重要性变化等指标组合使用，形成多维度的模型稳定性监控体系。当 PSI 超过 0.25 时，务必追溯漂移根源——是客群变化、数据质量问题，还是业务规则变更？只有找到根因，才能有效修复模型。