1. 课程导论：因子漂移与PSI监控在风控模型生命周期中的重要性

在信贷风控、反欺诈及智能决策领域，模型并非“一次部署，终身有效”。随着宏观经济波动、客群结构变化、业务策略调整以及数据采集口径的变更，模型输入因子（特征）的统计分布会随时间发生偏移，这种现象称为因子漂移（Feature Drift）。因子漂移是模型性能衰退（Model Decay）的核心诱因，而PSI（Population Stability Index，群体稳定性指标）则是量化这种漂移程度最广泛使用的监控工具。

1.1 为什么因子漂移是风控模型的“隐形杀手”？

风控模型依赖历史数据学习到的“特征-标签”映射关系。当线上实时数据的因子分布与模型训练时的分布产生显著差异时，模型的预测能力会急剧下降，导致以下严重后果：

• 区分度下降：好客户与坏客户的特征重叠区域扩大，KS/AUC等区分力指标下滑。
• 评分偏移：整体评分分布向高分或低分迁移，导致通过率或坏账率失控。
• 决策失效：基于旧分布设定的阈值不再适用，引发风险定价错误或审批误判。

1.2 PSI：衡量分布偏移的“标尺”

PSI通过比较两个样本群体（通常为期望分布（Expected）与实际分布（Actual））在各分箱上的占比差异，综合评估整体偏移程度。其计算公式如下：

PSI = Σ (Actual_i - Expected_i) * ln(Actual_i / Expected_i)

其中：
- Expected_i：训练集或基准期在第 i 个分箱中的样本占比
- Actual_i：监控期在第 i 个分箱中的样本占比
- 分箱方式：通常按等频或等距分为10组

PSI值的判定标准在业界已形成共识，下表总结了不同区间的含义与应对策略：

1.3 因子漂移监控在模型生命周期中的位置

一个完整的风控模型生命周期包括开发、验证、部署、监控、迭代五个阶段。因子漂移与PSI监控贯穿于部署后监控与迭代触发两个关键环节。下面的SVG图展示了因子漂移监控在整个生命周期中的核心枢纽作用。

1.4 因子漂移的常见类型

在实际业务中，因子漂移并非单一形态。理解漂移的类型有助于精准定位根因。下表归纳了三种主要漂移类型及其典型场景：

1.5 建立因子库漂移巡查体系的必要性

一个成熟的风控体系通常包含数百甚至上千个特征因子。如果仅靠人工逐个计算PSI，不仅效率低下，而且容易遗漏关键因子的早期漂移信号。因此，建立因子库漂移巡查体系成为必然选择：

1. 自动化巡检：每日/每周定时扫描全量因子库，自动计算PSI并输出漂移报告。
2. 分层预警：根据PSI严重程度，将因子分为“正常/关注/警告/危险”四个等级，并推送至相关责任人。
3. 根因追溯：联动业务日志与数据血缘，快速定位漂移是由客群变化、策略调整还是数据质量问题引起。
4. 闭环治理：从发现漂移到模型校准或特征工程修复，形成完整的治理闭环。