4. PSI 指标详解：群体稳定性指标
群体稳定性指标（Population Stability Index, PSI）是支付风控中衡量特征分布随时间偏移的核心量化工具。当模型上线后，入模特征的分布若发生显著变化，将直接导致评分失效、规则误杀或漏过。PSI 通过比较两个样本集在各分箱上的占比差异，给出一个可横向对比的偏移分数。
4.1 PSI 计算公式
PSI 的计算基于信息论中的 KL 散度变体，公式如下：
PSI = Σ (Actual_i - Expected_i) × ln(Actual_i / Expected_i)
其中：
- Expected_i = 基准样本（如训练集）在第 i 个分箱中的占比
- Actual_i = 待评估样本（如线上批次）在第 i 个分箱中的占比
- i = 1, 2, ..., n（n 为分箱总数）当某个分箱中 Expected_i = 0 时，工程上通常做平滑处理（如加极小值 1e-6），避免除零错误。PSI 值越大，说明两个分布差异越大，特征越不稳定。
关键理解： PSI 本质是加权偏差的累积。每个分箱的贡献 = (实际占比 - 基准占比) × 对数比值。对数项放大了占比差异的敏感度，使得微小偏移也能被捕捉。
4.2 PSI 分箱策略
分箱方式直接影响 PSI 的稳定性和可解释性。支付风控中常用的分箱策略有三种：
| 分箱策略 | 方法描述 | 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） | 特征值域固定、分布均匀的场景（如年龄、金额对数） | 容易产生空箱，导致 PSI 计算不稳定 |
| 等频分箱 | 按基准样本的百分位数切分，每箱样本数大致相等 | 偏态分布特征（如交易金额、设备评分） | 线上批次可能出现某箱占比骤降或骤升 |
| 自定义分箱 | 基于业务规则或风险阈值切分（如 IP 风险分 0-30, 30-70, 70-100） | 有明确业务含义的特征（如信用分档、风险等级） | 需定期复审分箱边界是否仍有效 |
工程建议： 支付批次监控中优先使用 等频分箱（通常 10 箱），因为它能保证基准分布每箱占比 ≈ 10%，线上批次出现空箱的概率最低。若特征值域稀疏，可降为 5 箱。
4.3 PSI 阈值设定与解读
PSI 的解读需要结合业务容忍度和模型敏感度。业界通用的阈值体系如下：
| PSI 范围 | 偏移等级 | 建议动作 | 支付风控示例 |
|---|---|---|---|
| < 0.1 | 无显著偏移 | 持续监控，无需干预 | 交易金额分布与训练集基本一致 |
| 0.1 – 0.25 | 轻度偏移 | 排查原因，准备策略调整 | 设备指纹评分分布轻微右移 |
| 0.25 – 0.5 | 中度偏移 | 触发告警，启动策略重构 | IP 风险分分布出现双峰偏移 |
| > 0.5 | 严重偏移 | 立即停用该特征，回滚模型 | 用户注册渠道占比完全反转 |
避坑提醒： 不要仅依赖 PSI 绝对值做决策。当样本量极大（如百万级）时，微小但稳定的偏移也会使 PSI 超过 0.25，此时需结合业务判断是否真的需要重构。反之，小样本场景下 PSI 可能偏低，掩盖真实偏移。
4.4 PSI 计算与偏移判定流程
下图展示了从特征分箱到策略重构的完整 PSI 监控链路：
4.5 支付场景中的 PSI 实战要点
- 分箱数选择： 支付特征通常取 10 箱（每箱 10%），若特征取值少于 20 个离散值，降为 5 箱。
- 滚动窗口： 线上批次建议使用最近 7 天或 30 天的滑动窗口，避免单日波动干扰。
- 特征级 vs 模型级： 先监控每个入模特征的 PSI，再监控模型输出分数的 PSI。特征级偏移是根因，模型级偏移是结果。
- 业务对齐： 支付风控中，PSI 超过 0.2 时需人工复核特征含义是否仍成立（如“新设备占比”可能因促销活动临时升高）。
案例速记： 某支付平台发现“设备评分”特征的 PSI 从 0.08 升至 0.31，排查发现是因为一批刷单团伙使用了新型模拟器，导致评分分布向低分段偏移。策略团队紧急增加了模拟器检测规则，PSI 在 3 天内回落至 0.12。