1. 课程导论：PSI漂移概念、AML监测背景、课程目标与适用人群
1.1 什么是PSI漂移？
群体稳定性指标（Population Stability Index, PSI） 是衡量两个概率分布之间差异程度的统计量，最初广泛应用于信用评分卡模型监控。在反洗钱（AML）监测场景中，PSI用于量化模型训练阶段（参考分布）与生产运行阶段（当前分布）之间特征或评分分布的偏移程度。
PSI的计算公式如下：
PSI = Σ (P_i - Q_i) × ln(P_i / Q_i)
其中：
- P_i = 当前分布在第 i 个分箱中的样本比例
- Q_i = 参考分布在第 i 个分箱中的样本比例
- 分箱通常采用等宽或等频方式，推荐使用10–20个分箱PSI值的判定阈值在AML行业已形成通用标准：
| PSI 范围 | 漂移程度 | 建议行动 |
|---|---|---|
| PSI < 0.1 | 无显著漂移 | 无需干预，持续监控 |
| 0.1 ≤ PSI < 0.25 | 轻度漂移 | 触发预警，排查特征变化原因 |
| PSI ≥ 0.25 | 严重漂移 | 立即告警，启动模型重训或特征重构 |
实务提示： 在AML监测中，PSI告警阈值并非一成不变。对于高风险客户群体（如跨境交易、政治敏感人物），建议将轻度漂移阈值下调至0.05，以提升敏感度。
1.2 AML监测背景：为什么需要关注漂移？
反洗钱监测系统依赖机器学习模型对交易行为进行评分和分类。然而，金融犯罪手法不断演变，客户交易模式随经济周期、监管政策、突发事件（如疫情、地缘冲突）发生结构性变化。这些变化会导致模型输入特征分布发生偏移，进而引发以下风险：
- 漏报风险上升： 模型对新型洗钱模式的识别能力下降，可疑交易未被捕获。
- 误报率激增： 正常交易因分布偏移被错误标记为可疑，增加人工审核负担。
- 监管合规风险： 监管机构要求金融机构持续验证模型有效性，漂移未及时发现可能面临处罚。
下表总结了AML监测中常见的漂移类型及其影响：
| 漂移类型 | 典型场景 | 对AML模型的影响 |
|---|---|---|
| 特征漂移 | 交易金额分布因通胀整体上移 | 金额类特征权重失效，评分偏差 |
| 概念漂移 | 洗钱手法从大额转账转为小额高频 | 模型决策边界不再适用 |
| 标签漂移 | 监管定义的可疑交易标准更新 | 训练标签与当前标准不一致 |
| 数据质量漂移 | 新接入的数据源字段缺失率升高 | 特征计算异常，模型输出不稳定 |
监管要求： 根据FATF（金融行动特别工作组）及国内反洗钱局指引，金融机构应建立模型持续监控机制，定期评估模型性能。PSI漂移告警是满足“模型有效性验证”监管要求的关键技术手段。
1.3 PSI漂移在AML监测中的定位
在完整的AML模型监控体系中，PSI漂移告警处于输入层与模型层之间的监控环节。它与模型性能监控（如AUC、KS、召回率）形成互补：
- PSI漂移告警： 前置监控，在模型性能下降之前发现特征分布变化。
- 模型性能监控： 后置验证，确认模型输出质量是否达标。
- 数据质量监控： 基础保障，确保输入数据完整、准确、及时。
三者协同构成AML模型的三道防线：
1.4 课程目标
通过本课程的学习，学员将能够：
- 理解PSI漂移原理： 掌握PSI的数学定义、分箱策略、阈值设定逻辑。
- 构建PSI监控流水线： 使用Python实现自动化PSI计算与告警触发。
- 诊断漂移根因： 结合特征贡献度分析、SHAP值、分布可视化定位漂移来源。
- 制定应对策略： 根据漂移类型选择模型重训、特征重构、阈值调整或集成学习等方案。
- 落地生产实践： 掌握PSI告警在实时流处理与离线批处理场景中的工程化部署。
1.5 适用人群
| 角色 | 前置知识要求 | 本课程收益 |
|---|---|---|
| 反洗钱分析师 | 了解AML业务流程与监管要求 | 掌握量化监控模型稳定性的方法，提升风险研判能力 |
| 数据科学家/机器学习工程师 | 熟悉Python、pandas、sklearn | 获得PSI漂移告警的完整工程实现与调优经验 |
| 模型风险管理/合规科技人员 | 了解模型验证框架 | 建立可落地的模型持续监控体系 |
| 技术管理者/架构师 | 了解大数据与实时计算架构 | 掌握PSI告警系统的架构设计与技术选型 |
课程特色： 本课程提供完整的Python代码示例、真实AML场景数据集（脱敏）、以及可部署的PSI监控仪表板模板。每章均配有动手练习与思考题，确保学以致用。