3、阈值设定原则：统计学原则（均值+3σ）、业务容忍度原则、历史分位数原则

PSI 监控告警阈值的设定直接决定了监控系统的灵敏度与误报率。阈值过窄会导致频繁告警、运维疲劳；阈值过宽则会漏掉真实漂移，使监控形同虚设。实践中，阈值设定需综合三种原则：统计学原则、业务容忍度原则和历史分位数原则。三种原则各有适用场景，通常采用“主原则 + 辅原则校验”的组合策略。

3.1 三种原则的核心逻辑与适用场景

3.2 统计学原则：均值+3σ

该原则假设 PSI 在稳定期内服从正态分布，以 μ + 3σ 作为告警阈值。根据正态分布性质，PSI 超过该阈值的概率约为 0.135%，属于小概率事件，可视为异常漂移。

计算步骤：

1. 收集稳定期内至少 30 个 PSI 样本点（建议 60~90 个周期）。
2. 计算样本均值 μ 和样本标准差 σ。
3. 设定阈值 T = μ + 3σ。
4. 若新 PSI > T，触发告警。

# Python 示例：滚动窗口均值+3σ 阈值计算
import numpy as np
import pandas as pd

def rolling_3sigma_threshold(psi_series, window=30):
    rolling_mean = psi_series.rolling(window=window).mean()
    rolling_std = psi_series.rolling(window=window).std()
    threshold = rolling_mean + 3 * rolling_std
    return threshold

# 假设 psi_values 为历史 PSI 序列
psi_values = pd.Series([0.02, 0.03, 0.01, 0.04, 0.02, ...])
thresholds = rolling_3sigma_threshold(psi_values, window=30)

3.3 业务容忍度原则

该原则从业务结果倒推：模型效果衰减到何种程度时，业务无法接受？ 将这种衰减程度映射为 PSI 阈值。例如，某信用评分卡模型，当 PSI > 0.10 时，坏账率上升超过 15%，业务判定为不可接受，则阈值设为 0.10。

映射方法：

• 直接映射：通过历史数据拟合 PSI 与业务指标（如 KS、AUC、坏账率）的关系曲线，找到业务容忍拐点对应的 PSI 值。
• 专家经验：由风控、业务、模型三方共同确定“轻微漂移”、“中度漂移”、“严重漂移”对应的 PSI 区间。
• 分层容忍：不同因子或不同模型可设置不同的业务容忍阈值。例如，核心收入模型阈值 0.05，辅助模型阈值 0.15。

3.4 历史分位数原则

当 PSI 序列不满足正态分布假设时（常见于低频监控或业务波动期），使用分位数阈值更为稳健。通常选择 P95 或 P99 作为告警阈值，即历史 PSI 中只有 5% 或 1% 的样本会超过该值。

计算步骤：

1. 收集稳定期内 PSI 样本（建议至少 100 个周期）。
2. 对 PSI 序列从小到大排序。
3. 取第 95 百分位数（P95）或第 99 百分位数（P99）作为阈值。
4. 若新 PSI > 阈值，触发告警。

# Python 示例：历史分位数阈值计算
import numpy as np

psi_history = np.array([0.01, 0.02, 0.03, 0.05, 0.08, 0.12, 0.04, ...])
p95_threshold = np.percentile(psi_history, 95)
p99_threshold = np.percentile(psi_history, 99)

print(f"P95 阈值: {p95_threshold:.4f}")
print(f"P99 阈值: {p99_threshold:.4f}")

3.5 三种原则的融合策略

单一原则往往存在盲区。推荐采用 “主原则 + 辅原则校验” 的融合策略：

• 主原则：根据数据分布特征选择统计学原则或历史分位数原则作为主阈值。
• 辅原则：用业务容忍度原则对主阈值进行上下界校验，确保阈值不脱离业务实际。
• 最终阈值：取主阈值与业务容忍度阈值的交集或加权值。

3.6 阈值调优的常见陷阱与应对