3、PSI阈值设定：行业通用阈值（0.1, 0.25）的由来与适用场景

在风控策略监控中，PSI（Population Stability Index）的阈值设定直接决定了告警的灵敏度与误报率。行业普遍采用 0.1 和 0.25 作为两个关键分界点，但这两个数字并非凭空而来，而是源于统计学经验与工业实践的长期验证。

3.1 阈值的统计基础与经验来源

PSI 的计算本质上是衡量两个分布之间的差异程度。当 PSI 值较小时，表明当前批次与基准批次分布高度一致；当 PSI 值增大时，分布偏移逐渐显著。行业阈值主要基于以下两个统计逻辑：

• 0.1 阈值（轻微漂移）：源自质量控制中“过程能力指数”的容忍边界。在信用评分卡等标准模型中，PSI < 0.1 通常被视为“无显著变化”，对应分布差异在 10% 以内，属于正常业务波动。
• 0.25 阈值（严重漂移）：对应分布差异超过 25%，此时模型预测能力往往出现可量化的衰减。该阈值在多家头部金融机构的实证研究中被验证为“模型失效预警线”。

3.2 阈值适用场景对比

不同阈值对应不同的监控策略与响应动作。下表清晰展示了三个区间的典型处理方式：

3.3 阈值设定的核心考量因素

在实际风控策略调优中，直接套用 0.1/0.25 可能导致误判。以下四个因素决定了是否需要调整阈值：

1. 样本量大小：小样本（如 < 1000）下 PSI 方差较大，建议将阈值适当放宽至 0.15/0.3；大样本（如 > 10000）下阈值可收紧至 0.08/0.2。
2. 业务损失敏感度：欺诈检测等高损失场景应使用更严格的阈值（如 0.08/0.2）；营销评分等低损失场景可适当放宽。
3. 特征分箱数：分箱数越多（如 > 20 箱），PSI 对微小波动越敏感，需上调阈值；分箱数少（如 5-10 箱）则阈值可维持原值。
4. 监控频率：日级监控因波动大，阈值应比周级/月级监控放宽 10%-20%。

3.4 阈值决策流程（SVG）

下图展示了从 PSI 计算到阈值判定的完整决策路径，帮助理解 0.1/0.25 在流程中的位置：

3.5 阈值调整的实战案例

3.6 阈值设定的常见误区

• 误区一：所有特征使用同一阈值——不同特征（如年龄 vs 收入）的分布稳定性不同，应分别设定。
• 误区二：忽略基准期长度——基准期过短（如 1 天）会导致 PSI 方差大，阈值需相应放宽。
• 误区三：0.25 以上立即停用模型——应先排查是否由数据源问题导致，而非直接废弃模型。