1. PSI 概念与 AML 场景
1.1 群体稳定性指标（PSI）的数学定义
群体稳定性指标（Population Stability Index, PSI）是衡量两个样本分布之间差异程度的统计量。在反洗钱模型监控中，PSI 用于量化模型评分在 开发样本（预期分布）与 监控样本（实际分布）之间的偏移程度。
PSI 的数学公式基于信息论中的 KL 散度（Kullback-Leibler divergence）的对称化形式，其计算步骤如下：
- 分箱：将模型评分（或预测概率）按等距或等频方式划分为 k 个区间（通常为 10 个分箱）。
- 计算占比：分别计算每个区间在预期分布（Pi）和实际分布（Qi）中的样本占比。
- 代入公式：
PSI = Σ ( (Q_i - P_i) * ln(Q_i / P_i) ) (i = 1, 2, ..., k)其中：
- Pi = 第 i 个区间在开发样本中的占比（预期占比）
- Qi = 第 i 个区间在监控样本中的占比（实际占比）
- k = 分箱总数
关键理解：当两个分布完全一致时，每个区间的 Qi = Pi，此时 ln(Qi/Pi) = 0，PSI = 0。PSI 值越大，表示分布偏移越严重。
1.2 PSI 阈值与行业标准
| PSI 范围 | 稳定性等级 | 建议行动 |
|---|---|---|
| < 0.10 | 稳定 | 无需干预，模型表现正常 |
| 0.10 – 0.25 | 轻度漂移 | 需进一步调查，检查特征分布 |
| > 0.25 | 严重漂移 | 立即告警，启动模型重训或回退 |
实战提示：在 AML 场景中，由于洗钱模式会随监管政策和经济环境变化，建议将轻度漂移阈值适当放宽至 0.15，避免频繁误告警消耗风控团队精力。
1.3 PSI 在反洗钱模型监控中的核心价值
反洗钱模型通常部署在交易监控、客户风险评级、可疑交易报告（STR）生成等关键环节。模型一旦发生漂移，可能导致以下严重后果：
- 漏报风险：模型无法识别新型洗钱模式，导致可疑交易未被上报，面临监管处罚。
- 误报激增：模型对正常交易产生大量误判，增加人工审核成本，降低运营效率。
- 评分偏移：客户风险评分整体上移或下移，破坏风险分层体系，影响资源分配。
PSI 监控的核心价值体现在以下三个维度：
| 维度 | 价值描述 |
|---|---|
| 早期预警 | 在模型性能明显下降之前，通过评分分布偏移提前发现异常，争取处置时间 |
| 归因分析 | 结合特征级 PSI 分解，快速定位导致漂移的关键变量（如交易金额、频率等） |
| 合规审计 | 满足监管机构对模型持续监控的要求，提供可量化的稳定性报告 |
1.4 PSI 计算与漂移判定流程
1.5 AML 场景中的 PSI 漂移典型成因
在反洗钱模型的实际运营中，PSI 漂移通常由以下因素引发：
- 客群结构变化：新开户政策调整、地域扩张或客户流失导致评分分布整体偏移。
- 交易行为演变：线上支付占比提升、跨境交易频率变化等宏观趋势影响特征分布。
- 监管政策调整：新的反洗钱法规要求（如大额交易报告标准变更）改变模型输入特征。
- 数据质量问题：上游数据源缺失、字段映射错误或 ETL 逻辑变更导致特征计算偏差。
- 模型老化：模型训练数据与当前环境差异累积，导致预测能力自然衰减。
常见误区：PSI 仅反映评分分布的变化，不能直接说明模型性能下降。当 PSI 告警时，必须结合 KS、AUC 等性能指标和特征级 PSI 进行综合诊断，避免盲目重训模型。
1.6 特征级 PSI 与模型级 PSI 的对比
| 对比维度 | 模型级 PSI | 特征级 PSI |
|---|---|---|
| 监控对象 | 模型最终评分（输出分数） | 单个输入特征（如交易金额、频率） |
| 告警粒度 | 整体漂移，无法定位原因 | 可精确到具体特征，辅助归因 |
| 计算频率 | 月度/周度 | 周度/日度（敏感特征） |
| 典型阈值 | 0.10 / 0.25 | 0.05 / 0.15（更敏感） |
| AML 应用 | 模型稳定性监控报告 | 特征漂移根因分析 |
在实际 AML 监控体系中，建议采用 模型级 PSI 做宏观告警，特征级 PSI 做微观归因，形成完整的漂移监控闭环。