1. 反洗钱与PSI概述
1.1 反洗钱监管背景
反洗钱（Anti-Money Laundering, AML）是指金融机构及特定非金融机构依法采取预防、监控措施，遏制洗钱及相关犯罪活动的行为。近年来，全球监管机构对反洗钱合规的要求持续升级，核心趋势包括：
- 风险为本（Risk-Based Approach, RBA）：监管要求机构根据客户、产品、渠道、地域等风险特征动态配置监控资源，而非“一刀切”。
- 模型可解释性与持续监控：反洗钱模型（如交易监测模型、客户风险评级模型）上线后，必须持续评估其稳定性与有效性，避免模型退化导致漏报或误报。
- 处罚力度加大：全球主要经济体对反洗钱违规的罚款金额屡创新高，模型失效是常见处罚原因之一。
关键监管要求示例： FATF（金融行动特别工作组）建议第15条明确要求金融机构对新技术和模型实施“持续监控与定期验证”；国内《金融机构反洗钱监督管理办法》也要求对监测标准、模型参数进行定期回溯。
1.2 PSI（群体稳定性指标）定义
PSI（Population Stability Index，群体稳定性指标）是衡量两个样本分布之间差异程度的统计量，广泛应用于模型监控领域。其计算公式基于信息论中的交叉熵思想，通过将连续变量分箱后，比较每个箱内实际占比与预期占比的差异。
| 参数 | 含义 | 计算方式 |
|---|---|---|
| Pi | 第 i 个分箱中实际样本占比 | 实际样本数 / 总实际样本数 |
| Qi | 第 i 个分箱中预期样本占比 | 预期样本数 / 总预期样本数 |
| PSI | 群体稳定性指标 | Σ[(Pi - Qi) × ln(Pi / Qi)] |
PSI 经验阈值： PSI < 0.1 表示分布稳定，无需干预；0.1 ≤ PSI < 0.25 表示轻度漂移，需关注；PSI ≥ 0.25 表示显著漂移，必须触发告警并启动模型复核。
1.3 PSI在反洗钱模型监控中的核心价值
反洗钱模型（如交易异常评分模型、客户洗钱风险等级模型）依赖历史数据训练，上线后若客群结构、交易行为、经济环境发生变化，模型输出的概率分布可能发生漂移，导致模型失效。PSI 在此场景中扮演以下关键角色：
- 早期预警：在模型性能（如 AUC、KS）明显下降之前，PSI 即可捕捉到输入特征或输出分数的分布变化，为模型调优争取时间。
- 量化漂移程度：PSI 提供统一的数值标准，避免主观判断，便于跨模型、跨时间窗口对比。
- 辅助归因分析：通过计算每个分箱的贡献度，可快速定位导致漂移的主要特征或客群子集。
常见误区： PSI 仅衡量分布差异，不直接反映模型预测准确率。低 PSI 不代表模型一定有效，高 PSI 也不代表模型一定失效——需结合业务逻辑与模型性能指标综合判断。
1.4 PSI 与模型监控体系的关系
在完整的反洗钱模型监控体系中，PSI 并非孤立指标，而是与以下监控维度协同工作：
| 监控维度 | 常用指标 | PSI 的定位 |
|---|---|---|
| 输入数据质量 | 缺失率、异常值率、分布一致性 | PSI 可量化特征分布漂移 |
| 模型性能 | AUC、KS、精确率、召回率 | PSI 作为性能下降的前置预警 |
| 模型输出稳定性 | PSI、CSI（特征稳定性指标） | PSI 是核心稳定性度量 |
| 业务效果 | 可疑交易报告率、误报率 | PSI 辅助解释业务指标波动 |
实践建议： 建议将 PSI 监控频率设置为每日或每周，并配合自动化告警阈值（如 PSI ≥ 0.25 触发邮件/钉钉/企微通知），确保模型漂移能被第一时间发现。