PSI 与精算模型的关系：模型监控的“晴雨表”

在保险精算实践中，模型并非一成不变。随着时间推移，承保策略调整、宏观经济波动、客户行为变化等因素都会导致模型输入的变量分布发生偏移。如果这种偏移未被及时发现，模型输出的预测结果（如赔付率、退保率、风险评分）将逐渐失真，最终影响定价、准备金评估和资本管理的准确性。

群体稳定性指标（PSI）正是衡量这种偏移的核心工具。它通过量化模型预测分数或关键风险变量的分布变化，为精算师提供一道“预警防线”。

2.1 PSI 的核心逻辑：分布偏移的量化

PSI 的计算基于两个分布的比较：基准分布（模型开发时的预期分布或稳定期分布）与当前分布（监控期内的实际分布）。其数学本质是信息论中的相对熵（KL散度）的对称化变体，公式如下：

PSI = Σ (P_i - Q_i) * ln(P_i / Q_i)

其中：
- P_i = 当前分布在第 i 个分箱中的占比
- Q_i = 基准分布在第 i 个分箱中的占比
- 分箱通常按等频或等宽原则划分为 10 组

PSI 值越大，说明两个分布之间的差异越显著。精算行业通常采用以下经验阈值进行判断：

2.2 PSI 在精算模型监控中的角色定位

PSI 并非孤立指标，而是精算模型监控体系中的“晴雨表”。它从三个层面发挥作用：

• 输入层监控： 检测模型特征变量（如年龄、保额、地区风险等级）的分布是否发生漂移。例如，某车险模型中“行驶里程”变量的 PSI 从 0.05 升至 0.22，提示客户出行模式已发生结构性变化。
• 输出层监控： 检测模型预测分数（如预期赔付率、Lapse 概率）的整体分布是否稳定。这是最直接的模型稳定性度量。
• 决策层联动： 当 PSI 触发告警时，精算师需联动业务部门，判断偏移是源于市场环境变化（可接受）还是数据质量问题（需修复）。

2.3 PSI 与精算模型生命周期的对应关系

PSI 监控贯穿模型的全生命周期，在不同阶段具有不同的应用重点：

2.4 为什么 PSI 是“晴雨表”而非“温度计”？

“晴雨表”的比喻恰如其分：PSI 不直接告诉你“模型哪里出了问题”，而是告诉你“天气系统正在发生变化”。它具备以下特征：

• 前瞻性： 在模型性能指标（如 AUC、RMSE）明显恶化之前，PSI 往往已经发出信号。分布偏移是性能下降的“前因”。
• 综合性： 一个 PSI 值可以汇总整个模型或某个变量的分布变化，避免精算师陷入对数百个变量的逐一检查。
• 可解释性： 通过分箱贡献度分析（即每个分箱的 (P_i - Q_i) * ln(P_i/Q_i) 值），可以快速定位导致偏移的主要区间。

2.5 PSI 的局限性：晴雨表也有盲区

精算师在使用 PSI 时需注意其固有局限：

• 分箱敏感性： 分箱数量和方法（等频 vs 等宽）会影响 PSI 绝对值。建议在模型上线前固定分箱方案，避免监控过程中随意调整。
• 对样本量敏感： 当监控期样本量过小时，PSI 可能因随机波动而虚高。建议设置最小样本量阈值（如每分箱至少 50 条记录）。
• 无法区分“好偏移”与“坏偏移”： PSI 只度量变化幅度，不判断变化方向。业务优化导致的分布变化（如核保收紧后风险评分整体提升）同样会推高 PSI，需要结合业务逻辑解读。