3、PSI与AML监测的关系：为什么AML模型需要监控PSI、特征分布漂移对模型性能的影响
在反洗钱（AML）监测体系中，机器学习模型通常基于历史交易数据训练，并假设线上数据分布与训练集保持一致。然而，随着业务环境、客户行为、监管规则的变化，模型输入特征的统计分布会发生偏移，这种现象称为特征分布漂移（Feature Distribution Drift）。PSI（Population Stability Index，群体稳定性指标）正是量化这种漂移程度的核心工具。
3.1 特征分布漂移对AML模型性能的直接影响
AML模型（如异常交易评分模型、可疑账户分类模型）依赖特征与标签之间的稳定映射关系。当特征分布发生漂移时，模型在训练集上学到的决策边界不再适用于当前数据，导致以下后果：
- 误报率（FPR）上升：原本正常的交易特征分布偏移后，被模型误判为可疑，增加人工审核负担。
- 漏报率（FNR）上升：真正的洗钱行为因特征偏移而未被模型捕获，造成合规风险。
- 评分卡失效：基于PSI监控的评分卡阈值不再有效，模型输出分数与实际风险脱节。
- 模型退化加速：漂移累积到一定程度后，模型AUC（Area Under Curve）显著下降，需要重新训练或校准。
关键结论： PSI是AML模型健康度的“体温计”——当PSI超过阈值（通常0.1或0.25），意味着模型已处于不稳定状态，必须触发告警并启动模型诊断与更新流程。
3.2 PSI与AML监测的联动机制
在AML监测系统中，PSI并非孤立指标，而是与模型性能指标（如KS、AUC、召回率）形成联动监控体系。下表展示了PSI漂移程度与模型性能变化的典型对应关系：
| PSI范围 | 漂移等级 | 模型性能影响 | 建议动作 |
|---|---|---|---|
| < 0.1 | 无显著漂移 | 模型性能稳定，KS/AUC波动在正常范围内 | 常规监控，无需干预 |
| 0.1 – 0.25 | 轻度漂移 | 误报率开始上升，召回率轻微下降 | 排查特征变化原因，准备模型校准 |
| 0.25 – 0.5 | 中度漂移 | 模型AUC下降5%-15%，漏报风险显著增加 | 立即触发告警，启动模型重训练 |
| > 0.5 | 严重漂移 | 模型基本失效，决策边界完全偏移 | 紧急停用模型，回退至规则引擎 |
3.3 为什么AML模型必须监控PSI：三大核心原因
- 合规审计要求：监管机构（如FATF、央行反洗钱局）要求金融机构证明模型持续有效。PSI监控记录可作为模型治理的客观证据。
- 业务连续性保障：AML系统7×24小时运行，特征漂移可能导致大规模误报或漏报，直接影响业务运营和监管评级。
- 特征工程反馈：PSI能定位具体哪些特征发生漂移，为特征工程迭代提供方向（如是否需要新增特征、调整分箱逻辑）。
3.4 PSI与AML模型性能的联动流程图
下图展示了从特征分布漂移、PSI计算到模型性能告警的完整联动流程：
3.5 特征分布漂移对模型性能的量化影响
为了更直观地理解漂移程度与模型性能的衰减关系，以下表格展示了在典型AML评分模型中，不同PSI水平下关键性能指标的变化趋势：
| PSI值 | KS统计量 | AUC | 召回率（Recall） | 误报率（FPR） |
|---|---|---|---|---|
| 0.02（基线） | 0.45 | 0.88 | 85% | 5% |
| 0.15 | 0.38 | 0.82 | 78% | 9% |
| 0.30 | 0.30 | 0.75 | 65% | 15% |
| 0.50 | 0.20 | 0.65 | 50% | 22% |
实践建议： 在AML监测系统中，建议对每个特征单独计算PSI，同时计算模型整体PSI。当某个特征的PSI超过0.2时，即使整体PSI尚可，也应将该特征标记为“高风险特征”，优先排查业务原因（如新客群涌入、产品结构调整、监管政策变化）。
3.6 特征分布漂移的常见业务场景
- 新客群涌入：例如某银行新开大量小微企业账户，导致交易金额、频率分布整体右移。
- 产品结构调整：例如推出新的跨境支付产品，改变了交易渠道和对手方特征分布。
- 监管政策变化：例如大额交易报告标准从20万调整为10万，导致特征“交易金额”的分布截断点变化。
- 季节性因素：例如春节前后交易量激增，部分特征呈现周期性漂移。
- 数据采集异常：例如上游系统字段映射错误，导致特征值域发生突变。
3.7 PSI监控在AML模型治理中的定位
PSI监控是AML模型持续治理（Ongoing Model Governance）的第一道防线。它与模型性能监控、特征重要性监控、概念漂移监控共同构成四维监控体系。下图展示了PSI监控在整体治理框架中的位置：
⚠️ 常见误区： 部分团队仅监控模型整体PSI，忽略了单特征PSI。实际上，整体PSI可能被“好特征”稀释，掩盖了关键特征的剧烈漂移。建议同时监控Top-10重要特征的PSI，并设置差异化阈值（重要特征阈值更严格，如0.15）。
3.8 总结：PSI在AML监测中的不可替代性
PSI之所以成为AML模型监控的核心指标，是因为它具备以下独特优势：
- 早期预警：在模型性能明显下降之前，PSI就能捕捉到特征分布的细微变化。
- 可解释性：PSI可以分解到每个特征、每个分箱，帮助分析师快速定位漂移源头。
- 标准化：PSI阈值（0.1/0.25）在金融行业有广泛共识，便于跨模型、跨团队沟通。
- 计算高效：PSI计算仅需分布统计，无需重新跑模型推理，适合高频监控。