4. PSI 指标详解：群体稳定性指标

PSI（Population Stability Index，群体稳定性指标）是反洗钱监测模型中最重要的监控指标之一。它量化了模型评分或特征分布在两个时间窗口之间的偏移程度，是判断模型是否需要重新训练或调整阈值的关键依据。

4.1 数学定义与核心思想

PSI 基于信息论中的 KL 散度（Kullback-Leibler divergence） 变体，衡量两个概率分布之间的差异。在 AML 场景中，它比较的是：

• 期望分布（Expected）：模型训练集或基准期的评分/特征分布
• 实际分布（Actual）：当前监测期的评分/特征分布

PSI 的数学公式为：

PSI = Σ [ (实际比例_i - 期望比例_i) × ln(实际比例_i / 期望比例_i) ]

其中：
- i = 第 i 个分箱（bin）
- 实际比例_i = 当前期落在第 i 箱的样本占比
- 期望比例_i = 基准期落在第 i 箱的样本占比
- ln = 自然对数

4.2 计算步骤详解

PSI 的计算遵循四个标准步骤。以下以 AML 模型输出的“洗钱风险评分（0-100）”为例进行说明。

步骤一：分箱（Binning）

将评分或特征值划分为若干连续的区间（箱）。分箱方式直接影响 PSI 的敏感度。

步骤二：计算期望比例（Expected %）

统计基准期（如模型训练集或上季度）落在每个箱中的样本数量，除以基准期总样本数。

期望比例_i = 基准期第 i 箱的样本数 / 基准期总样本数

步骤三：计算实际比例（Actual %）

统计当前监测期（如本周或本月）落在每个箱中的样本数量，除以当前期总样本数。

实际比例_i = 当前期第 i 箱的样本数 / 当前期总样本数

步骤四：求和计算 PSI

对每个箱，计算 (实际比例 - 期望比例) × ln(实际比例 / 期望比例)，然后对所有箱求和。

PSI = Σ (实际比例_i - 期望比例_i) × ln(实际比例_i / 期望比例_i)

4.3 完整计算示例

以下是一个 AML 风险评分 PSI 计算的完整示例（10 个等频分箱）：

计算得到的 PSI = 0.0134，根据行业通用阈值，该值处于 “无需告警” 区间（PSI < 0.1）。

4.4 PSI 阈值与告警规则

在 AML 监测实践中，PSI 的阈值通常按以下标准划分：

4.5 PSI 计算流程可视化

下图展示了 PSI 从数据输入到告警决策的完整计算流程：

4.6 PSI 在 AML 中的特殊应用

在反洗钱监测中，PSI 不仅用于监控模型评分，还广泛应用于以下场景：

• 特征级 PSI 监控：对每个输入特征（如交易金额、交易频次、客户年龄）单独计算 PSI，定位导致模型偏移的具体特征。
• 分群 PSI 监控：按客户类型（个人/企业）、地区、产品线等维度分群计算 PSI，发现局部漂移。
• 时间窗口对比：使用滚动窗口（如最近 30 天 vs 前 30 天）进行连续 PSI 计算，实现实时漂移检测。