1. 课程导论：高频行情坏账率漂移的背景与挑战，PSI指标在风控中的核心价值
1.1 高频行情下的风控新战场
在量化交易与实时信贷审批场景中，行情数据以毫秒级频率更新。模型依赖的历史分布可能因市场微观结构突变、流动性枯竭或极端事件而瞬间失效。这种高频行情坏账率漂移现象，是当前风控体系面临的最严峻挑战之一。
核心痛点：传统月度/周度模型监控周期无法捕捉秒级分布偏移，导致坏账率在数分钟内从基线飙升至失控阈值，而风控团队往往在次日报表中才察觉。
1.2 坏账率漂移的三大驱动因素
| 驱动因素 | 高频表现 | 风控影响 |
|---|---|---|
| 市场微观结构突变 | 买卖价差瞬间扩大、订单簿深度骤降 | 模型预测的违约概率与真实违约率脱钩 |
| 流动性分层 | 高流动性资产秒变低流动性，成交延迟 | 平仓成本飙升，实际损失远超模型预期 |
| 极端事件冲击 | 黑天鹅事件导致行情数据分布整体平移 | 基于历史训练的模型完全失效 |
1.3 PSI指标：分布漂移的“示波器”
群体稳定性指标（Population Stability Index, PSI）是衡量两个概率分布差异的标准化度量。在风控领域，它被用来量化实时评分分布与建模基准分布之间的偏移程度。
PSI计算公式：
PSI = Σ (Pi - Qi) × ln(Pi / Qi)
其中 Pi 为实时分布在第 i 个分箱中的占比，Qi 为基准分布在第 i 个分箱中的占比。
PSI = Σ (Pi - Qi) × ln(Pi / Qi)
其中 Pi 为实时分布在第 i 个分箱中的占比，Qi 为基准分布在第 i 个分箱中的占比。
1.4 PSI在风控中的核心价值
- 早期预警：在坏账率实际上升前，PSI即可捕捉到评分分布的异常偏移，为风控干预争取宝贵时间。
- 归因定位：通过分箱级别的PSI贡献度分析，快速定位是哪个评分区间的分布发生了漂移。
- 阈值自动化：结合历史漂移模式，动态设定PSI告警阈值，避免固定阈值导致的误报或漏报。
常见误区：PSI仅衡量分布差异，不直接反映模型性能。PSI正常不代表模型准确，PSI异常也不代表模型一定失效——需结合KS、AUC等指标综合判断。
1.5 高频行情PSI监控架构
下图展示了从行情数据接入到PSI告警的完整链路，重点突出滑动窗口计算与实时分布对齐两个关键环节。
1.6 实战案例背景预览
本课程将基于一个高频外汇交易坏账监控的真实场景，使用Python实现以下核心模块：
- 实时行情模拟器：生成带有漂移事件的合成数据流。
- 滑动窗口PSI计算：支持毫秒级分布对齐与分箱策略。
- 自适应阈值引擎：基于EWMA（指数加权移动平均）动态调整告警阈值。
- 可视化仪表盘：实时展示PSI曲线、坏账率漂移热力图及告警日志。
预期成果：学员将掌握一套可部署于生产环境的PSI监控框架，能够将坏账率漂移的发现时间从小时级压缩至秒级，并具备归因定位与自动干预的能力。