3. AML模型特征漂移与PSI的关系
在AML反洗钱模型中，特征分布稳定性是模型有效性的基石。当模型输入特征的分布发生显著变化时，即使模型参数未变，其输出评分也会产生偏移，导致误报率上升或漏报风险增加。群体稳定性指标（PSI）正是量化这种分布变化的核心工具。本章将深入分析AML模型中三类典型特征——交易金额、交易频率、客户年龄——的分布变化如何通过PSI进行量化，并揭示特征漂移与PSI数值之间的内在关联。
3.1 特征漂移的本质与PSI量化原理
特征漂移（Feature Drift）指模型输入特征在时间维度上的统计分布发生变化。PSI通过比较两个时间段（参考期 vs 监测期）的特征分箱占比，计算整体分布差异程度。其计算公式为：
PSI = Σ (实际占比_i - 期望占比_i) * ln(实际占比_i / 期望占比_i)其中，期望占比为参考期（如模型训练期）各分箱的样本比例，实际占比为监测期对应分箱的比例。PSI值越大，说明特征分布偏移越严重。
关键阈值参考：
- PSI < 0.1：分布稳定，无需告警
- 0.1 ≤ PSI < 0.25：轻度漂移，需关注
- PSI ≥ 0.25：显著漂移，必须触发告警并启动模型复核
3.2 典型AML特征漂移场景与PSI量化
不同AML特征对业务环境变化的敏感度不同，其分布漂移的表现形式和PSI量化结果也各有特点。以下通过三个典型特征进行详细分析。
3.2.1 交易金额特征
交易金额是AML模型中最核心的连续型特征之一。其分布变化通常由宏观经济政策、行业周期或客户群体结构调整引起。
| 漂移场景 | 分布变化描述 | PSI典型范围 | 业务含义 |
|---|---|---|---|
| 政策调控 | 大额交易门槛调整，导致金额分布右移或左移 | 0.15 - 0.35 | 需区分政策影响与真实洗钱行为 |
| 季节性波动 | 节假日交易金额整体上升，分布峰值偏移 | 0.08 - 0.20 | 轻度漂移，可接受但需监控 |
| 客户结构变化 | 高净值客户占比增加，金额分布向高端集中 | 0.20 - 0.40 | 需重新校准模型或分群建模 |
量化要点：交易金额通常呈长尾分布，分箱时建议采用等频分箱（如10分位）而非等距分箱，以避免尾部空箱导致PSI计算失真。同时，需对极端值进行截断处理（如99.9%分位数），防止单个异常箱主导PSI结果。
3.2.2 交易频率特征
交易频率反映客户在单位时间内的交易活跃度。该特征对账户异常行为（如洗钱中的“拆分交易”）高度敏感。
| 漂移场景 | 分布变化描述 | PSI典型范围 | 业务含义 |
|---|---|---|---|
| 账户休眠/激活 | 大量休眠账户被激活，低频区间占比骤降 | 0.25 - 0.50 | 可能涉及账户盗用或洗钱通道激活 |
| 批量开户攻击 | 新开账户集中出现高频交易，频率分布右移 | 0.30 - 0.60 | 高度可疑，需立即触发人工调查 |
| 产品规则变更 | 交易限额调整导致客户交易频次整体下降 | 0.10 - 0.25 | 需结合业务变更记录判断 |
注意：交易频率特征在AML模型中通常与交易金额联合使用。当频率PSI显著升高（>0.3）且金额PSI同步升高时，模型输出漂移的风险极高，应优先排查是否存在系统性洗钱行为。
3.2.3 客户年龄特征
客户年龄属于静态或准静态特征，其分布变化通常反映客户群体结构的长期演变，而非短期异常行为。
| 漂移场景 | 分布变化描述 | PSI典型范围 | 业务含义 |
|---|---|---|---|
| 客群自然老化 | 存量客户年龄整体增长，分布缓慢右移 | 0.05 - 0.15 | 正常演变，需定期更新训练集 |
| 新客群引入 | 针对年轻客群的营销活动，年龄分布左移 | 0.15 - 0.30 | 需评估新客群风险特征是否匹配 |
| 数据采集偏差 | 某年龄段客户数据缺失或重复，分布出现尖峰 | 0.20 - 0.45 | 数据质量问题，需修复管道 |
3.3 特征漂移与模型输出PSI的联动关系
单个特征的PSI变化并不直接等同于模型输出PSI的变化，但两者之间存在明确的传导机制。理解这种联动关系，有助于在特征层面提前预警模型漂移。
传导路径：
- 特征分布变化 → 特征PSI升高
- 特征权重放大 → 模型评分分布偏移
- 评分分布偏移 → 模型输出PSI升高
- 输出PSI超阈值 → 触发告警
在实际监控中，特征PSI与模型输出PSI之间存在以下典型关系：
| 特征PSI状态 | 输出PSI状态 | 可能原因 | 建议动作 |
|---|---|---|---|
| 多个特征PSI > 0.2 | 输出PSI > 0.25 | 系统性分布偏移，模型失效风险高 | 立即启动模型重训 |
| 单个特征PSI > 0.3 | 输出PSI 0.15-0.25 | 高权重特征漂移，但其他特征抵消 | 深入分析该特征，评估是否需要特征工程 |
| 所有特征PSI < 0.1 | 输出PSI > 0.25 | 概念漂移（特征-标签关系变化） | 检查标签定义或业务环境变化 |
| 特征PSI波动但输出PSI稳定 | 输出PSI < 0.1 | 特征变化被模型鲁棒性吸收 | 持续监控，无需立即干预 |
最佳实践：建议建立特征PSI与输出PSI的联合监控看板。当任一特征PSI超过0.25时，即使输出PSI仍在阈值内，也应触发预警并启动人工分析。这种“特征级前置预警”机制可以比输出级告警提前1-2周发现问题。
3.4 特征PSI阈值调优建议
不同AML特征对模型稳定性的影响权重不同，因此不应对所有特征使用统一的PSI阈值。以下是根据特征类型和业务敏感度的差异化阈值建议：
| 特征类型 | 示例特征 | 建议告警阈值 | 建议关注阈值 | 调优依据 |
|---|---|---|---|---|
| 高权重连续特征 | 交易金额、交易频率 | 0.25 | 0.15 | 对模型输出影响大，需严格监控 |
| 低权重连续特征 | 账户余额、交易间隔 | 0.35 | 0.20 | 容忍度可适当放宽 |
| 静态/准静态特征 | 客户年龄、注册时长 | 0.40 | 0.25 | 变化缓慢，阈值可更高 |
| 类别特征 | 交易渠道、客户行业 | 0.30 | 0.18 | 需结合类别基数调整分箱 |
重要提醒：阈值调优不是一次性工作。建议每季度根据模型表现和业务环境变化，重新评估各特征的PSI阈值。同时，应记录每次阈值调整的原因和效果，形成可追溯的调优日志。