因子研究PSI监控与告警优化实战教程 - 第1节

1.1 PSI 的定义与数学原理

群体稳定性指标（Population Stability Index, PSI）是衡量两个样本分布之间差异程度的统计量。在风控因子监控中，PSI 用于量化同一因子在建模样本与监控样本之间的分布偏移程度，是判断因子是否发生“客群漂移”的核心指标。

1.1.1 数学定义

PSI 基于信息论中的 KL 散度（Kullback-Leibler Divergence） 对称化改进而来。其计算公式为：

PSI = Σ (P_i - Q_i) × ln(P_i / Q_i)

其中：

• P_i：监控样本在第 i 个分箱中的占比（实际分布）
• Q_i：建模样本在第 i 个分箱中的占比（基准分布）
• ln(P_i / Q_i)：自然对数比率，衡量两个分布在该分箱上的差异
• Σ：对所有分箱求和，得到整体偏移量

1.1.2 分箱规则

PSI 计算依赖分箱策略，常见分箱方式如下：

1.2 PSI 在风控因子监控中的核心价值

在风控模型的生命周期中，因子分布偏移是模型失效的最常见原因之一。PSI 监控的核心价值体现在以下三个层面：

1.2.1 早期预警：发现客群漂移

当宏观经济、政策环境、获客渠道或用户行为发生变化时，因子的分布会随之偏移。PSI 能够量化这种偏移程度，在模型效果明显下降之前发出预警。例如：

• 收入因子：疫情期间收入分布整体左移，PSI 从 0.02 升至 0.15
• 年龄因子：新渠道引入年轻客群，年龄分布右移，PSI 突破 0.10 阈值
• 负债率因子：利率调整后用户负债行为变化，PSI 持续上升

1.2.2 量化评估：辅助模型迭代决策

PSI 提供了一个统一的量化标准，帮助风控团队判断是否需要重新训练模型或调整分箱策略：

1.2.3 归因分析：定位偏移源头

PSI 不仅给出整体偏移量，还能通过分箱贡献度定位具体哪些取值区间发生了显著变化。例如，某因子 PSI 为 0.18，其中“30-40 岁”分箱贡献了 60% 的偏移量，说明该年龄段客群发生了明显变化。

1.3 PSI 计算流程与示例

下面通过一个完整示例演示 PSI 的计算过程。假设某风控因子“月收入”在建模样本和监控样本中的分布如下：

1.3.1 分箱与占比计算

计算得到 PSI = 0.0234，小于 0.05，说明该因子在监控期间分布稳定，无需干预。

1.4 PSI 监控的完整流程

下图展示了 PSI 监控从数据采集到告警触发的完整链路：

1.5 PSI 与其他稳定性指标的对比

在风控实践中，除了 PSI，还有几种常用的稳定性指标。下表对比了它们的核心差异：

1.6 PSI 计算的 Python 实现

下面给出一个完整的 PSI 计算函数，可直接用于生产环境：

import numpy as np
import pandas as pd

def calculate_psi(actual, expected, bins=10, bin_type='equal_freq'):
    """
    计算群体稳定性指标 (PSI)
    
    Parameters:
    -----------
    actual : array-like
        监控样本（实际分布）
    expected : array-like
        建模样本（基准分布）
    bins : int
        分箱数量，默认 10
    bin_type : str
        分箱方式：'equal_freq'（等频）或 'equal_width'（等距）
    
    Returns:
    --------
    psi : float
        PSI 值
    breakdown : DataFrame
        每个分箱的详细贡献
    """
    # 1. 基于基准分布确定分箱边界
    if bin_type == 'equal_freq':
        # 等频分箱：按基准分布的分位数划分
        percentiles = np.linspace(0, 100, bins + 1)
        bin_edges = np.percentile(expected, percentiles)
    else:
        # 等距分箱：按基准分布的最小最大值等距划分
        bin_edges = np.linspace(np.min(expected), np.max(expected), bins + 1)
    
    # 2. 对两个样本进行分箱
    actual_bins = np.digitize(actual, bin_edges, right=True)
    expected_bins = np.digitize(expected, bin_edges, right=True)
    
    # 3. 计算每个分箱的占比
    actual_counts = np.bincount(actual_bins, minlength=bins + 1)[1:bins + 1]
    expected_counts = np.bincount(expected_bins, minlength=bins + 1)[1:bins + 1]
    
    actual_pct = actual_counts / len(actual)
    expected_pct = expected_counts / len(expected)
    
    # 4. 处理零值：用极小值替代，避免 ln(0)
    epsilon = 1e-6
    actual_pct = np.clip(actual_pct, epsilon, 1.0)
    expected_pct = np.clip(expected_pct, epsilon, 1.0)
    
    # 5. 计算 PSI
    psi_value = np.sum((actual_pct - expected_pct) * np.log(actual_pct / expected_pct))
    
    # 6. 构建详细分解表
    breakdown = pd.DataFrame({
        'bin_start': bin_edges[:-1],
        'bin_end': bin_edges[1:],
        'expected_pct': expected_pct,
        'actual_pct': actual_pct,
        'contribution': (actual_pct - expected_pct) * np.log(actual_pct / expected_pct)
    })
    
    return psi_value, breakdown

# 使用示例
np.random.seed(42)
expected_data = np.random.normal(5000, 1500, 10000)  # 建模样本
actual_data = np.random.normal(5200, 1600, 10000)    # 监控样本

psi, breakdown = calculate_psi(actual_data, expected_data, bins=10)
print(f"PSI = {psi:.4f}")
print(f"偏移程度：{'稳定' if psi <= 0.05 else '轻度偏移' if psi <= 0.10 else '中度偏移' if psi <= 0.25 else '严重偏移'}")

1.7 本章小结

PSI 作为风控因子监控的核心指标，其价值在于：

• 数学上：基于 KL 散度对称化，量化两个分布的差异
• 业务上：提供早期预警、量化评估、归因分析三大能力
• 实践上：通过分箱策略和阈值判断，形成完整的监控闭环