4. PSI漂移告警阈值设定原则

PSI（Population Stability Index，群体稳定性指标）是AML监测中衡量特征分布随时间漂移的核心指标。阈值设定直接决定告警的灵敏度与误报率，是模型监控策略的关键环节。本章系统阐述阈值设定的三大基本原则，并对比行业通用阈值，帮助你在业务容忍度与统计可靠性之间找到最佳平衡点。

4.1 阈值设定的三大基本原则

合理的PSI告警阈值必须同时满足业务容忍度、统计显著性与误报率控制三个维度的要求。任何单一维度的过度倾斜都会导致监控失效。

4.2 业务容忍度：从业务场景出发设定基线

业务容忍度是阈值设定的起点。不同AML场景对特征漂移的敏感度差异显著：

• 高风险场景（如制裁名单匹配、大额交易监测）：特征漂移可能导致漏报，业务容忍度极低，阈值应设定在0.1甚至更低。
• 中风险场景（如客户画像更新、交易行为模式变化）：允许一定程度的自然漂移，阈值可设定在0.15~0.2。
• 低风险场景（如辅助特征、统计类衍生变量）：业务容忍度较高，阈值可放宽至0.25~0.3。

4.3 统计显著性：排除随机波动的干扰

PSI的计算结果受样本量影响显著。小样本场景下，即使分布无实质变化，PSI也可能因随机波动而偏高。统计显著性原则要求阈值必须高于随机噪声水平。

常用方法包括：

• 置换检验（Permutation Test）：随机打乱时间标签，计算PSI的零分布，取95%或99%分位数作为阈值参考。
• Bootstrap置信区间：对当前样本进行重采样，计算PSI的置信区间上限，若上限超过预设阈值则触发告警。
• 最小样本量约束：设定参与PSI计算的每个分箱至少包含50个样本，否则自动降低告警等级或跳过计算。

# 置换检验示例（Python伪代码）
import numpy as np

def permutation_threshold(ref_dist, cur_dist, n_perm=1000, alpha=0.05):
    combined = np.concatenate([ref_dist, cur_dist])
    n_ref = len(ref_dist)
    perm_psis = []
    for _ in range(n_perm):
        np.random.shuffle(combined)
        perm_ref = combined[:n_ref]
        perm_cur = combined[n_ref:]
        perm_psis.append(compute_psi(perm_ref, perm_cur))
    return np.percentile(perm_psis, (1 - alpha) * 100)

4.4 误报率控制：通过回测确定最优截断点

误报率（False Positive Rate, FPR）是衡量阈值有效性的关键指标。过高的误报率会消耗分析师资源，导致真实漂移被淹没。误报率控制通常通过历史回测实现：

1. 收集历史数据：选取至少6~12个月的模型评分数据及对应的特征分布快照。
2. 标注真实漂移事件：结合业务复盘记录，标记哪些时间点发生了实质性分布变化（如政策变更、数据源切换）。
3. 遍历候选阈值：在0.05~0.5范围内以0.01为步长计算每个阈值的误报率与召回率。
4. 选择最优阈值：根据业务对误报的容忍上限（通常FPR < 20%），选择召回率最高的阈值。

4.5 行业通用阈值对比

金融行业在长期实践中形成了若干通用PSI阈值参考值。下表对比了最常用的三个阈值及其适用场景：

4.6 阈值设定决策流程

下图展示了从业务需求到最终阈值确定的完整决策流程，帮助你系统化地完成阈值调优：

4.7 阈值调优的常见陷阱与应对

• 陷阱一：一刀切使用0.1或0.25。不同特征、不同时间窗口的PSI分布差异巨大，统一阈值会导致大量误报或漏报。应对：按特征分组设定差异化阈值。
• 陷阱二：忽略季节性漂移。某些特征（如交易量、客户活跃度）存在周期性波动，PSI在特定月份自然偏高。应对：引入季节性基线，计算相对于同期基线的漂移。
• 陷阱三：阈值设定后永不更新。模型和数据环境持续变化，固定阈值会逐渐失效。应对：每季度或每半年重新回测，根据最新误报率调整阈值。