📚 课程目录第4章 PSI（群体稳定性指标）原理

4. PSI（群体稳定性指标）原理

PSI（Population Stability Index，群体稳定性指标）是衡量模型评分或特征分布在时间维度上发生偏移程度的量化工具。在金融风控中，PSI 用于监控坏账率、评分卡输出、关键特征分布是否随客群变化而显著改变，是哨兵系统的核心指标之一。

4.1 PSI 数学公式

PSI 基于信息论中的 KL 散度（Kullback-Leibler divergence）对称化改造，计算公式如下：

PSI = Σ (实际占比_i - 预期占比_i) × ln(实际占比_i / 预期占比_i)

其中：

预期占比（Expected）：基准期（如模型开发期、上一个月）各分箱内的样本比例。
实际占比（Actual）：监控期（如当前周、当前月）各分箱内的样本比例。
i：第 i 个分箱，共 N 个分箱。

PSI 的数学本质是衡量两个概率分布之间的差异程度。当两个分布完全一致时，PSI = 0；差异越大，PSI 值越高。

计算注意事项：当某个分箱的实际占比或预期占比为 0 时，ln(0) 无定义。工程实践中通常对占比做平滑处理（如加极小值 1e-6），或将该分箱与相邻分箱合并。

4.2 分箱方法

PSI 的计算依赖分箱策略，不同的分箱方法会直接影响 PSI 的敏感度和稳定性。以下是三种主流分箱方法：

分箱方法	原理	适用场景	优点	缺点
等距分箱	按数值范围等间隔切分	评分卡输出、连续特征	实现简单，分箱边界固定	数据稀疏时箱内样本过少
等频分箱	按样本数量等比例切分	高频 tick 数据、分布偏态特征	每箱样本量均衡，统计稳定	边界随数据分布变化
决策树分箱	基于目标变量（如坏账标签）做最优切分	特征工程阶段、坏账率敏感特征	与业务目标对齐，区分度强	过拟合风险，监控期可能失效

高频 tick 数据分箱避坑：tick 数据通常存在极端值（如单笔大额交易），等距分箱可能导致大部分样本集中在少数箱内。建议优先使用等频分箱，并设置最小箱占比阈值（如 5%），避免空箱或极稀疏箱。

4.3 PSI 阈值与业务含义

PSI 的数值大小直接对应分布偏移的严重程度。金融风控领域通用的阈值标准如下：

PSI 范围	偏移等级	业务含义	建议动作
0.00 ~ 0.10	无偏移 / 轻微偏移	客群分布稳定，模型可继续使用	常规监控，无需干预
0.10 ~ 0.25	中度偏移	客群结构发生可见变化，需排查原因	触发预警，分析分箱贡献度
> 0.25	严重偏移	分布发生结构性改变，模型可能失效	立即停用模型，启动重训或校准

  坏账率 PSI 哨兵的特殊阈值：对于高频 tick 数据下的坏账率监控，建议将阈值收紧 20%~30%。例如，常规 PSI > 0.25 为严重偏移，在 tick 级坏账率场景下可调整为 > 0.18 即触发紧急告警，因为 tick 数据的高频特性使得偏移累积速度更快。

4.4 PSI 计算与偏移诊断流程

下图展示了从原始 tick 数据到 PSI 告警的完整链路：

4.5 分箱贡献度分析

当 PSI 超过阈值时，需要定位是哪些分箱导致了偏移。每个分箱对 PSI 的贡献度计算公式为：

贡献度_i = (实际占比_i - 预期占比_i) × ln(实际占比_i / 预期占比_i)

贡献度为正表示该分箱实际占比高于预期（客群向该区间集中），贡献度为负表示实际占比低于预期（客群流失）。通过排序贡献度绝对值，可以快速锁定偏移源。

  高频 tick 数据贡献度分析案例：某消费金融产品监控到 PSI 从 0.08 跳升至 0.31，贡献度分析发现“交易金额 5000~10000 元”分箱的贡献度占比达 67%，实际占比从 12% 升至 28%。进一步排查发现该分箱坏账率同步上升 2.3 倍，确认是客群向高额度区间迁移导致模型失效。

4.6 PSI 与坏账率哨兵的联动逻辑

在哨兵系统中，PSI 并非孤立指标，而是与坏账率监控形成联动：

PSI 正常 + 坏账率正常：客群稳定，模型表现稳定，继续常规监控。
PSI 异常 + 坏账率正常：客群分布发生变化，但模型仍能正确区分好坏客户，需关注变化趋势。
PSI 正常 + 坏账率异常：客群分布未变，但模型打分能力下降，需检查模型参数或外部环境。
PSI 异常 + 坏账率异常：客群偏移与模型失效同时发生，需紧急停用并全面排查。

下图展示了 PSI 与坏账率在哨兵系统中的联合决策逻辑：

4.7 高频 tick 场景下的 PSI 工程实践

针对高频 tick 数据的特点，PSI 计算需要做以下工程适配：

滑动窗口基准：使用过去 7 天或 30 天的滑动窗口作为基准分布，而非固定历史基准，以适应市场周期性变化。
分箱数量控制：tick 数据量巨大，分箱数量建议控制在 10~20 箱，避免过细分箱导致 PSI 对微小波动过度敏感。
实时增量计算：采用增量更新算法，每次新 tick 到达时只更新受影响分箱的计数，避免全量重算。
多粒度监控：同时计算小时级、日级、周级 PSI，形成多时间尺度的偏移感知。

PSI 计算代码片段（Python 示例）：

import numpy as np

def calculate_psi(expected, actual, bins=10):
    # 等频分箱
    percentiles = np.percentile(expected, np.linspace(0, 100, bins+1))
    expected_bins = np.histogram(expected, bins=percentiles)[0]
    actual_bins = np.histogram(actual, bins=percentiles)[0]
    
    # 计算占比
    expected_pct = expected_bins / np.sum(expected_bins)
    actual_pct = actual_bins / np.sum(actual_bins)
    
    # 平滑处理
    expected_pct = np.clip(expected_pct, 1e-6, 1)
    actual_pct = np.clip(actual_pct, 1e-6, 1)
    
    # PSI 计算
    psi = np.sum((actual_pct - expected_pct) * np.log(actual_pct / expected_pct))
    return psi