3、PSI与IV的区别：PSI（稳定性）与IV（信息量）在风控建模中的不同应用场景与解读
在授信决策引擎的模型开发与监控中，PSI（Population Stability Index，群体稳定性指标）与IV（Information Value，信息量）是两种极易混淆但用途截然不同的统计量。两者都基于相同的数学公式（∑ (实际占比 - 预期占比) × ln(实际占比 / 预期占比)），但输入变量与解读方向完全相反。理解它们的本质区别，是正确使用决策引擎监控体系的前提。
3.1 核心差异：输入对象与评价目标
PSI与IV最根本的区别在于比较的对象不同：
| 维度 | PSI（稳定性指标） | IV（信息量指标） |
|---|---|---|
| 比较对象 | 同一变量在不同时间窗口的分布 | 好客户与坏客户在同一变量上的分布 |
| 评价目标 | 变量或模型分数的稳定性（时间维度） | 变量对好坏客户的区分能力（预测维度） |
| 输入数据 | 训练集（预期） vs 监控集（实际） | 好客户（预期） vs 坏客户（实际） |
| 应用阶段 | 模型上线后持续监控 | 模型开发阶段特征筛选 |
| 决策动作 | 触发模型重训或策略调整 | 决定是否保留该特征入模 |
关键记忆点：PSI看的是“时间漂移”，IV看的是“好坏区分”。PSI值越大说明分布变化越大（越不稳定），IV值越大说明区分能力越强（信息量越大）。
3.2 数学公式的同一性与解读方向
两者共享相同的数学结构，但“预期”与“实际”的赋值完全相反：
PSI = Σ (实际占比_i - 预期占比_i) × ln(实际占比_i / 预期占比_i)
IV = Σ (坏客户占比_i - 好客户占比_i) × ln(坏客户占比_i / 好客户占比_i)- PSI公式中：“预期”是训练集分布（基准），“实际”是监控集分布（当前）。差值越大，说明分布偏移越严重。
- IV公式中：“好客户占比”相当于预期，“坏客户占比”相当于实际。差值越大，说明该分组中坏客户占比偏离好客户占比越远，区分能力越强。
实操口诀：PSI用“时间换空间”，IV用“好坏换信息”。在决策引擎中，PSI通常用于监控模型分数或关键特征（如收入、负债比）的月度漂移；IV则用于开发阶段判断“年龄”、“征信查询次数”等变量是否值得入模。
3.3 解读阈值与业务含义对比
两种指标的阈值体系完全不同，不能混用：
| 指标 | 取值范围 | 业务解读 | 决策引擎动作 |
|---|---|---|---|
| PSI | < 0.1 | 分布稳定，无需干预 | 继续监控 |
| PSI | 0.1 ~ 0.25 | 轻度漂移，需关注 | 触发预警，分析原因 |
| PSI | > 0.25 | 严重漂移，模型失效风险 | 暂停模型，启动重训 |
| IV | < 0.02 | 无预测能力 | 剔除该特征 |
| IV | 0.02 ~ 0.1 | 弱预测能力 | 视业务需要决定是否保留 |
| IV | 0.1 ~ 0.3 | 中等预测能力 | 建议入模 |
| IV | > 0.3 | 强预测能力 | 优先入模（注意过拟合风险） |
3.4 应用场景对比：监控 vs 筛选
在授信决策引擎的实际工作中，PSI与IV分别服务于两个完全不同的工作流：
场景一：PSI——模型上线后的稳定性监控
- 监控对象：模型评分（Score）、关键特征（如收入、负债率、征信查询次数）。
- 监控频率：每周或每月计算一次。
- 触发动作：当PSI > 0.25时，决策引擎自动暂停该模型的使用，切换至备用策略或人工审批。
- 典型问题：客群结构变化（如政策调整导致低风险客户涌入）、数据源变更（如征信接口升级）。
场景二：IV——模型开发阶段的特征筛选
- 筛选对象：原始变量（如年龄、职业、历史逾期次数）。
- 计算时机：建模前，基于训练集的好坏样本标签。
- 筛选规则：IV < 0.02的变量直接剔除；IV在0.02~0.1之间的变量结合业务逻辑判断；IV > 0.1的变量进入候选池。
- 典型问题：IV过高（> 0.5）的变量可能存在数据泄露或过拟合风险，需谨慎处理。
常见误区：不要用IV来监控模型稳定性，也不要用PSI来筛选特征。IV高不代表变量稳定（例如“征信查询次数”区分能力很强，但受市场活动影响波动极大）；PSI低也不代表变量有预测能力（例如“性别”可能非常稳定，但对信用风险几乎没有区分度）。
3.5 PSI与IV的关系示意图
下图从“时间维度”与“好坏维度”两个方向，直观展示PSI与IV在风控建模中的不同定位：
3.6 决策引擎中的联动使用策略
在实际的授信决策引擎中，PSI与IV并非孤立使用，而是形成“开发-监控”闭环：
- 开发阶段：使用IV筛选出高信息量的特征（IV > 0.1），构建初始模型。
- 上线前：记录每个入模特征在训练集上的分布作为PSI基准。
- 上线后：每周/每月计算每个特征的PSI，监控分布漂移。
- 异常处理：当某个特征的PSI > 0.25时，即使该特征IV很高，也需要暂停使用，分析漂移原因。
- 模型迭代：如果多个高IV特征同时发生漂移，触发模型重训，重新计算IV并筛选新特征。
最佳实践：在决策引擎的监控看板上，同时展示每个特征的“IV排名”和“PSI趋势”。高IV + 低PSI的特征是模型的“压舱石”；高IV + 高PSI的特征是“风险点”，需要优先排查。
3.7 常见误区与避坑指南
| 误区 | 错误做法 | 正确做法 |
|---|---|---|
| 混淆计算对象 | 用好坏样本计算PSI | PSI必须用同一变量在不同时间窗口的分布 |
| 阈值混用 | 用IV的0.1阈值判断PSI | PSI阈值：0.1关注，0.25预警；IV阈值：0.02剔除，0.1入模 |
| 忽视业务逻辑 | 仅凭IV高低决定特征去留 | 结合业务可解释性，避免“黑箱特征” |
| 监控频率不当 | 每月只算一次模型PSI，忽略特征级PSI | 对每个入模特征单独计算PSI，早发现早处理 |
总结：PSI与IV是风控建模中“稳定”与“能力”的一体两面。掌握两者的区别与联动，才能在授信决策引擎中既保证模型的预测精度，又守住业务稳定性的底线。