3. PSI 阈值设定：行业标准、动态设计与调优策略

PSI（Population Stability Index）阈值是漂移监测的“扳机”——阈值设得太低，模型频繁告警，业务方疲于应对；设得太高，模型已发生实质性漂移却未被发现，导致风险漏报。本章从行业基准、动态阈值设计、调优策略三个层面，给出反洗钱场景下的可落地方案。

3.1 PSI 阈值行业标准

金融风控领域经过多年实践，形成了以下通用参考区间：

3.2 基于业务场景的动态阈值设计

动态阈值不是单一数值，而是一组随业务周期、模型用途、数据质量变化的规则集合。以下给出三种典型设计模式：

3.2.1 时间窗口自适应阈值

• 原理： 以过去 N 个时间窗口（如 7 天、30 天）的 PSI 均值为基准，加上 k 倍标准差作为当前阈值。
• 公式： Threshold_t = μ(PSI_{t-1}, ..., PSI_{t-N}) + k × σ(PSI_{t-1}, ..., PSI_{t-N})
• 反洗钱适用场景： 交易量存在周内/月内规律波动的场景（如月末交易激增、节假日交易模式变化）。

3.2.2 模型重要性分层阈值

• 核心模型（如可疑交易甄别模型）： 阈值收紧至 0.08（轻度）/ 0.20（严重），降低漏报风险。
• 辅助模型（如客户风险评分辅助模型）： 阈值放宽至 0.12（轻度）/ 0.30（严重），减少不必要的重训成本。
• 实验模型（A/B 测试中的候选模型）： 阈值进一步放宽至 0.15（轻度）/ 0.35（严重），允许更多探索。

3.2.3 数据质量加权阈值

• 当输入特征缺失率或异常值比例升高时，PSI 可能因数据质量问题而非真实分布漂移而升高。
• 引入数据质量系数 Q ∈ [0,1]，对原始 PSI 进行修正：PSI_adj = PSI_raw × (1 + α × (1 - Q))，其中 α 为惩罚因子。
• 修正后的 PSI 再与阈值比较，避免因数据采集故障导致误告警。

3.3 阈值调优策略

阈值设定不是一次性工作，需要持续迭代。以下给出三种经过反洗钱项目验证的调优方法：

3.3.1 基于历史告警回溯的调优

1. 收集历史告警记录： 至少 6 个月的 PSI 告警日志，包含告警时间、模型名称、触发阈值、是否误报。
2. 计算误报率与漏报率： 对每个阈值候选值，统计误报（告警但无实际漂移）和漏报（有漂移但未告警）的比例。
3. 选择最优平衡点： 以 F1-score 或 Youden 指数最大化为目标，确定当前业务周期的最佳阈值。

3.3.2 模拟漂移注入测试

• 方法： 在历史数据中人工注入特征分布偏移（如将某个特征的均值偏移 0.5 个标准差、1.0 个标准差、1.5 个标准差），观察 PSI 值的变化。
• 目标： 找到“能检出业务可感知漂移”的最小 PSI 阈值。例如：当特征偏移 0.8σ 时业务已能感知到模型效果下降，则阈值应设定在能检出该偏移的水平。
• 反洗钱场景： 可针对洗钱手法变化（如交易金额分布右移、交易时间集中度变化）进行定向注入测试。

3.3.3 业务反馈闭环调优

• 建立反馈通道： 每次 PSI 告警后，要求反洗钱分析师标注“是否确认漂移”“漂移严重程度（1-5 分）”。
• 定期校准： 每季度根据分析师反馈数据，调整动态阈值公式中的参数（如 k 值、α 惩罚因子、分层阈值边界）。
• 效果指标： 跟踪告警采纳率（分析师确认漂移的告警占比），目标值建议 ≥ 70%。

3.4 阈值设定检查清单