1. PSI 基础概念：群体稳定性指标及其在反洗钱中的核心作用
1.1 什么是群体稳定性指标（PSI）
群体稳定性指标（Population Stability Index，PSI）是一种衡量两个样本分布之间差异程度的统计量。在金融风控与反洗钱（AML）领域，PSI 被广泛用于监控模型评分或特征分布在时间维度上的变化，从而判断模型是否发生“漂移”。
PSI 的计算基于信息论中的 KL 散度（Kullback-Leibler divergence） 的对称化形式，其核心思想是：将当前样本（实际分布）与基准样本（期望分布）按相同分箱规则划分后，逐箱计算占比差异并加权求和。PSI 值越大，说明两个分布之间的偏移越显著。
1.2 PSI 计算公式与分箱逻辑
PSI 的标准计算公式如下：
PSI = Σ (Actual_i - Expected_i) × ln(Actual_i / Expected_i)
其中：
- Actual_i = 当前样本在第 i 个分箱中的占比
- Expected_i = 基准样本在第 i 个分箱中的占比
- i = 分箱序号（通常 10~20 等宽分箱或等频分箱）
分箱是 PSI 计算的关键步骤。常见的分箱方式包括：
| 分箱方式 | 说明 | 适用场景 |
|---|---|---|
| 等宽分箱 | 按数值区间等距划分（如 0-10, 10-20） | 评分卡分数、概率值等连续变量 |
| 等频分箱 | 按样本量等比例划分（每箱约 10% 样本） | 特征分布不均匀时更稳健 |
| 自定义分箱 | 基于业务规则或阈值划分 | 可疑交易金额分段、风险等级区间 |
实践提示： 在反洗钱可疑交易监控中，推荐使用 等频分箱 作为默认方案。因为交易金额、交易频次等特征常呈长尾分布，等宽分箱可能导致大部分样本集中在少数几个箱中，降低 PSI 对尾部漂移的敏感度。
1.3 PSI 在反洗钱可疑交易监控中的核心作用
在反洗钱场景中，可疑交易监控模型通常基于历史已确认的可疑交易样本训练。然而，洗钱手法不断演变、监管政策调整、客户行为季节性变化等因素，都会导致模型输入特征的分布发生偏移。PSI 在此场景中承担以下核心作用：
- 模型稳定性监控： 定期计算模型评分或关键特征（如交易金额、交易频率、对手方数量）的 PSI，判断模型是否仍适用于当前交易环境。
- 早期预警信号： PSI 超过阈值时，提示模型可能已发生漂移，需要重新训练或调整特征，避免漏报或误报。
- 特征漂移定位： 对每个输入特征单独计算 PSI，快速定位导致模型不稳定的具体特征维度。
- 监管合规支撑： 在反洗钱审计中，PSI 监控记录可作为模型持续有效性的量化证据，满足监管对模型治理的要求。
关键认知： PSI 不是直接检测“某笔交易是否可疑”的指标，而是衡量“模型所依赖的数据分布是否发生结构性变化”的宏观监控工具。它帮助风控团队在模型失效之前主动干预，而非被动等待误报率飙升。
1.4 PSI 漂移的典型阈值与解读
业界通常采用以下经验阈值来解读 PSI 值：
| PSI 范围 | 漂移程度 | 建议行动 |
|---|---|---|
| PSI < 0.1 | 无显著漂移 | 模型稳定，继续常规监控 |
| 0.1 ≤ PSI < 0.25 | 轻度漂移 | 需关注，排查特征变化原因 |
| PSI ≥ 0.25 | 严重漂移 | 立即触发告警，启动模型重训 |
注意： 上述阈值为通用经验值。在反洗钱场景中，由于可疑交易占比极低（通常 < 0.1%），模型对分布变化非常敏感。建议根据实际业务数据，通过回溯测试为每个模型定制专属阈值，而非直接套用通用标准。
1.5 PSI 计算与监控流程
下图展示了 PSI 在反洗钱可疑交易监控中的完整计算与告警流程：
1.6 PSI 与 KS、Gini 等指标的关系
在模型监控体系中，PSI 常与区分度指标（KS、Gini）配合使用，形成完整的模型健康度评估框架：
| 指标 | 衡量维度 | 监控目标 | 典型阈值 |
|---|---|---|---|
| PSI | 分布稳定性 | 模型输入/输出是否发生漂移 | < 0.1 稳定；≥ 0.25 严重漂移 |
| KS | 区分能力 | 模型能否有效区分正负样本 | > 0.3 可接受；> 0.5 优秀 |
| Gini | 排序能力 | 模型对风险高低的排序准确性 | > 0.6 可接受；> 0.8 优秀 |
组合监控策略： 当 PSI 升高但 KS/Gini 保持稳定时，说明分布偏移但模型区分能力未受损，可能只需调整特征或阈值；当 PSI 与 KS/Gini 同时恶化时，通常意味着模型已严重失效，需要立即重训。
1.7 反洗钱场景中的 PSI 应用案例
某银行反洗钱团队监控其可疑交易评分模型时，发现 2024 年 Q2 的 PSI 从 0.08 上升至 0.31。通过逐特征计算 PSI，定位到“单笔交易金额”特征的 PSI 高达 0.42。进一步分析发现，该季度该银行上线了新的跨境支付产品，导致大额交易占比显著增加。团队据此调整了特征分箱边界，并对模型进行了增量训练，PSI 在 Q3 回落至 0.12，模型恢复正常。
这个案例说明：PSI 不仅是一个告警指标，更是一个诊断工具，能够帮助风控团队快速定位漂移根源，避免盲目重训整个模型。