风控PSI漂移告警处理从入门到精通 - 第1节
1.1 什么是群体稳定性指标（PSI）
群体稳定性指标（Population Stability Index，PSI）是衡量两个样本分布之间差异程度的量化指标。在风控领域，它被广泛用于监控模型评分、用户特征或风险标签在时间维度上的分布变化，从而判断模型或业务环境是否发生了实质性漂移。
PSI 的核心思想是：如果模型在开发时基于的样本分布（预期分布）与当前实际样本分布（实际分布）高度一致，则模型表现应保持稳定；反之，若分布差异显著，则模型可能已失效，需要重新校准或迭代。
关键理解： PSI 不是衡量模型预测准确率的指标，而是衡量模型输入或输出分布稳定性的指标。一个高准确率的模型，如果其评分分布发生剧烈变化，同样可能产生大量误判。
PSI 的典型应用场景
| 场景 | 说明 |
|---|---|
| 模型评分漂移监控 | 比较模型上线时的评分分布与当前评分分布，判断模型是否失效 |
| 特征分布监控 | 监控单个特征（如年龄、收入、负债率）的分布是否发生结构性变化 |
| 客群结构变化检测 | 检测申请客群或存量客群在关键属性上的分布是否偏移 |
| 业务策略效果评估 | 评估新策略上线前后，目标指标分布是否按预期变化 |
1.2 PSI 的数学公式与计算逻辑
PSI 的计算基于信息论中的 KL 散度（Kullback-Leibler divergence）思想，其数学公式如下：
PSI = Σ (实际占比_i - 预期占比_i) × ln(实际占比_i / 预期占比_i)其中：
- 实际占比_i：当前样本在第 i 个分箱中的样本数占总样本数的比例
- 预期占比_i：基准样本（如模型开发样本）在第 i 个分箱中的样本数占总样本数的比例
- ln：自然对数
- Σ：对所有分箱求和
计算步骤详解
- 分箱处理：将连续变量（如模型评分）划分为 K 个等宽或等频区间。通常建议分箱数在 10~20 之间，每个箱中预期样本占比不低于 5%。
- 计算预期占比：统计基准样本在每个箱中的样本数，除以基准样本总数，得到预期占比序列。
- 计算实际占比：统计当前样本在每个箱中的样本数，除以当前样本总数，得到实际占比序列。
- 逐箱计算：对每个箱，计算 (实际占比 - 预期占比) × ln(实际占比 / 预期占比)。
- 求和：将所有箱的计算结果相加，得到最终的 PSI 值。
计算注意事项： 当某个箱的实际占比或预期占比为 0 时，ln(0) 无定义。实际处理中，通常对占比进行平滑处理（如加一个极小值 0.0001），或将该箱与相邻箱合并。
PSI 值解读标准
| PSI 范围 | 漂移程度 | 建议行动 |
|---|---|---|
| PSI < 0.1 | 无显著漂移 | 模型稳定，无需干预 |
| 0.1 ≤ PSI < 0.25 | 轻度漂移 | 需关注，排查可能的原因 |
| PSI ≥ 0.25 | 严重漂移 | 立即告警，启动模型重训或策略调整 |
1.3 PSI 在风控中的核心价值
在信贷风控、反欺诈、客户生命周期管理等场景中，模型和策略的稳定性直接决定了业务风险的可控性。PSI 作为分布漂移的量化工具，其核心价值体现在以下四个方面：
价值一：模型失效的早期预警
模型上线后，由于宏观经济变化、客群结构迁移、数据采集方式变更等原因，模型评分分布可能逐渐偏离开发时的分布。PSI 能够敏锐捕捉这种偏离，在模型准确率明显下降之前发出告警，为风控团队争取宝贵的响应时间。
价值二：特征工程质量的持续验证
特征稳定性是模型稳定性的基础。通过监控每个入模特征的 PSI，可以快速定位哪些特征发生了分布漂移，从而判断是特征本身的问题（如数据源异常）还是客群结构变化导致的连锁反应。
价值三：策略调优效果的量化评估
当风控策略调整（如提高通过率、调整额度分配）后，PSI 可以量化评估策略变化对客群分布的实际影响。如果 PSI 过大，说明策略调整可能引入了与原有模型不匹配的新客群，需要谨慎评估风险。
价值四：监管合规与模型治理的必备工具
在金融监管日益严格的背景下，监管机构要求金融机构对模型进行持续监控和定期报告。PSI 作为行业通用的稳定性指标，是模型治理报告中的核心内容之一，能够直观展示模型在时间维度上的表现稳定性。
常见误区： PSI 低并不代表模型效果好。一个 PSI 很低的模型，如果其区分能力（如 KS、AUC）本身就很差，那么它只是“稳定地差”。PSI 必须与模型性能指标（KS、AUC、Lift 等）结合使用，才能全面评估模型健康状况。