3. PSI与模型漂移：区分模型漂移与数据漂移，PSI如何量化特征分布变化

在反洗钱可疑交易监控中，模型上线后性能下降往往源于两种根本不同的漂移：模型漂移与数据漂移。PSI（群体稳定性指标）是量化特征分布变化的核心工具，但只有正确区分漂移类型，才能精准定位问题并优化告警阈值。

3.1 模型漂移 vs. 数据漂移：核心差异

3.2 PSI如何量化特征分布变化

PSI通过比较两个时间段（基准期 vs. 观察期）的特征分布差异，输出一个无量纲的数值。其计算逻辑基于分箱后的分布差异累加。

PSI计算公式：

PSI = Σ (P_actual_i - P_expected_i) * ln(P_actual_i / P_expected_i)

其中：
- P_expected_i：基准期（如模型训练集）第 i 个分箱的样本占比
- P_actual_i：观察期（如当前月）第 i 个分箱的样本占比
- i：分箱编号（通常分为10-20个等频或等距分箱）

PSI数值解读标准（行业通用）：

• PSI < 0.1：分布稳定，无需告警。
• 0.1 ≤ PSI < 0.25：轻度漂移，需关注并排查原因。
• PSI ≥ 0.25：显著漂移，必须触发告警并启动模型评估流程。

3.3 特征分布漂移的量化流程

使用PSI量化特征分布变化，通常遵循以下步骤：

1. 确定基准分布：选取模型训练集或最近3-6个月的稳定数据作为基准期。
2. 特征分箱：对连续型特征进行等频分箱（每箱样本量大致相等），对离散型特征按类别分箱。
3. 计算占比：分别计算基准期和观察期每个分箱的样本占比。
4. 代入公式：逐箱计算 (P_actual - P_expected) * ln(P_actual / P_expected) 并求和。
5. 阈值判定：根据预设阈值判断是否触发告警。

3.4 区分漂移类型的实战方法

当PSI触发告警时，需要进一步判断是数据漂移还是模型漂移。以下提供两种实用方法：

• 方法一：特征PSI vs. 模型分数PSI对比法
  • 如果特征PSI升高但模型分数PSI正常：说明模型对特征变化不敏感，可能是数据漂移但模型鲁棒性较好。
  • 如果模型分数PSI升高但特征PSI正常：说明模型漂移（映射关系变化），需检查模型参数或外部环境。
  • 如果两者同时升高：数据漂移和模型漂移并存，需优先处理数据漂移。
• 方法二：性能指标交叉验证法
  • 监控模型KS、AUC、精确率、召回率等指标。
  • 如果性能指标显著下降且特征PSI升高 → 数据漂移导致模型失效。
  • 如果性能指标显著下降但特征PSI正常 → 模型漂移（概念漂移）。

3.5 反洗钱场景中的PSI应用案例

某银行反洗钱系统监控到“单笔交易金额”特征的PSI从0.05骤升至0.32。通过以下步骤定位问题：

3.6 PSI阈值优化的核心原则

• 特征差异化：不同特征对模型的重要性不同，阈值应结合特征重要性动态调整。高重要性特征（SHAP值高）设置更严格的阈值（如0.1），低重要性特征可适当放宽（如0.2）。
• 业务场景适配：反洗钱场景中，涉及高风险国家、大额交易等敏感特征，阈值应更严格（如0.08），避免漏报。
• 时间窗口选择：基准期建议使用3-6个月数据，观察期使用最近1个月数据。季节性业务（如节假日交易高峰）需使用同比窗口（去年同月）作为基准。
• 分箱策略优化：对于长尾分布特征（如交易金额），建议使用等频分箱+尾部合并策略，避免空箱导致PSI计算不稳定。