3. PSI指标原理：数学定义、计算公式、分箱方法与稳定性阈值解读
群体稳定性指标（Population Stability Index, PSI）是风控策略监控中最核心的量化工具，用于衡量两个样本批次在特征分布或评分分布上的偏移程度。PSI 最初由信用评分卡行业提出，现已广泛应用于商户风险诊断、模型监控与策略调优场景。
3.1 PSI的数学定义与计算公式
PSI 基于信息论中的 Kullback-Leibler 散度（相对熵）的对称化变体，衡量实际分布（Actual）相对于预期分布（Expected）的差异。其数学表达式为：
PSI = Σ (Actual_i - Expected_i) × ln(Actual_i / Expected_i)
其中：
- i = 第 i 个分箱（bin）的索引
- Actual_i = 实际批次在第 i 箱中的样本占比
- Expected_i = 预期批次（基准批次）在第 i 箱中的样本占比
- ln = 自然对数当 Actual_i 与 Expected_i 完全一致时，PSI = 0；差异越大，PSI 值越高。该公式同时捕捉了分布的位置偏移（均值变化）和形状变化（方差、偏度变化）。
关键理解： PSI 不是简单的比例差，而是通过对数比率对偏差进行非线性放大——小偏差在尾部箱中会被显著放大，这对风险策略中的极端值监控尤为重要。
3.2 分箱方法：PSI计算的前置步骤
PSI 的计算依赖分箱（Binning），分箱方式直接影响 PSI 的敏感性和稳定性。常用的分箱方法有三种：
| 分箱方法 | 原理 | 适用场景 | 注意事项 |
|---|---|---|---|
| 等距分箱 | 按数值范围等间隔切分（如 0-100, 100-200） | 评分卡分数、标准化指标 | 数据稀疏时可能出现空箱，导致 ln(0) 计算异常 |
| 等频分箱 | 按样本量等比例切分（每箱约 10%-20% 样本） | 长尾分布、非均匀分布特征 | 基准批次与监控批次的箱边界可能不一致，需统一映射 |
| 自定义分箱 | 基于业务规则或风险阈值切分（如 0-300, 300-600, 600-850） | 策略规则节点、风险等级分段 | 需保证箱数 ≥ 5 且每箱样本占比 ≥ 1% |
实践建议： 商户风险诊断中优先使用 等频分箱（通常 10 箱），因为它能保证每箱有足够样本，避免因空箱导致 PSI 计算失效。若使用等距分箱，务必对空箱做平滑处理（如加极小值 ε = 0.0001）。
3.3 稳定性阈值解读
PSI 的数值解读在行业中有通用经验阈值，但需结合业务场景微调。以下为风控策略中常用的判定标准：
| PSI 范围 | 稳定性判定 | 策略动作建议 |
|---|---|---|
| PSI < 0.10 | 无显著偏移 | 无需干预，保持现有策略 |
| 0.10 ≤ PSI < 0.25 | 轻度偏移 | 触发预警，排查特征/评分分布变化原因 |
| PSI ≥ 0.25 | 严重偏移 | 立即暂停策略，启动批次诊断与模型/规则重校准 |
注意： 阈值并非绝对。对于高风险商户（如欺诈率 > 5% 的群体），建议将预警阈值下调至 0.08；对于低频交易商户，由于样本波动大，可适当放宽至 0.15。始终结合业务损失曲线调整阈值。
3.4 PSI计算流程与分布偏移可视化
下图展示了从基准批次到监控批次的 PSI 计算全流程，以及分布偏移的典型形态：
3.5 PSI的局限性与补充指标
PSI 虽然强大，但在商户风险诊断中存在三个固有局限，需要配合其他指标使用：
- 对分箱数敏感： 箱数越多，PSI 值越高。建议固定箱数（如 10 箱）进行跨时间对比，避免因箱数变化导致误判。
- 无法区分偏移方向： PSI 只度量差异大小，不指示风险是升高还是降低。需结合 均值漂移（Mean Shift）和 坏账率趋势 判断偏移方向。
- 对样本量敏感： 小样本（< 500 笔）下 PSI 波动大，建议使用 Bootstrap PSI 或 稳定性卡方检验 作为补充。
最佳实践： 在商户风险批次诊断中，将 PSI 与 特征重要性排序、分箱贡献度分解 结合使用。例如，当 PSI > 0.25 时，进一步计算每个分箱对 PSI 的贡献占比，定位导致偏移的关键区间，从而精准调整策略规则。