3、阈值漂移的数学定义：概率分布变化、KS统计量、PSI与阈值漂移的关联、漂移的量化指标
在信贷风控场景中，阈值漂移并非凭空发生，其本质是模型评分分布或特征分布随时间发生了结构性变化。要自动化巡查阈值漂移，首先需要从数学上严格定义“漂移”，并建立可量化的监测指标。本节将系统阐述概率分布变化、KS统计量、PSI（群体稳定性指标）与阈值漂移的内在关联，并给出具体的量化计算方法。
3.1 概率分布变化：漂移的根源
阈值漂移的底层驱动力是模型输出分数（Score）或关键特征（Feature）的概率分布发生了偏移。在信贷场景中，通常关注两类分布变化：
- 评分分布偏移：模型输出的信用评分（如0-100分）在不同时间窗口（如建模样本 vs. 近期样本）的概率密度函数发生变化。
- 特征分布偏移：入模特征（如收入、负债率、查询次数）的分布发生变化，进而传导至评分分布。
数学上，设建模时的参考分布为 \(P_{ref}(x)\)，当前监测分布为 \(P_{cur}(x)\)，若两者存在显著差异，则表明存在分布漂移。这种漂移会直接导致原有最优阈值不再适用于当前样本，从而引发阈值漂移。
核心观点： 阈值漂移是分布漂移在决策边界上的投影。只要分布发生变化，阈值就必须重新校准。
3.2 KS统计量：区分能力与阈值漂移的关联
KS（Kolmogorov-Smirnov）统计量是衡量模型区分好坏样本能力的核心指标。其数学定义为：
KS = max |Cumulative_Bad(k) - Cumulative_Good(k)|
其中：
- Cumulative_Bad(k)：按评分升序排列，前k个样本中坏样本的累计占比
- Cumulative_Good(k)：前k个样本中好样本的累计占比
- KS值越大，模型区分能力越强KS与阈值漂移的关联：
- 当模型发生阈值漂移时，KS值通常会下降，因为评分分布的重叠区域增大。
- KS统计量对分布的整体形状变化敏感，可作为阈值漂移的早期预警信号。
- 若KS值在连续监测窗口内下降超过预设阈值（如10%），则提示需要检查阈值是否漂移。
| KS变化方向 | 可能原因 | 与阈值漂移的关系 |
|---|---|---|
| KS下降 > 5% | 评分分布重叠加剧，区分能力减弱 | 阈值漂移风险高，需重新校准 |
| KS稳定（变化 < 3%） | 分布相对稳定，模型表现一致 | 阈值漂移风险低，可维持现有阈值 |
| KS上升 > 5% | 分布分离度增大（罕见，需排查数据异常） | 阈值可能偏保守，可考虑优化 |
注意： KS统计量仅反映排序能力，不直接反映阈值点的通过率变化。因此，KS下降是阈值漂移的充分非必要条件——KS未下降不代表阈值没有漂移。
3.3 PSI（群体稳定性指标）：漂移的量化标尺
PSI（Population Stability Index）是信贷风控中最常用的分布漂移量化指标。它通过比较两个分布在各分箱上的占比差异，给出一个综合的漂移度量。
PSI计算公式：
PSI = Σ (P_cur_i - P_ref_i) * ln(P_cur_i / P_ref_i)
其中：
- P_ref_i：参考分布在第i个分箱中的样本占比
- P_cur_i：当前分布在第i个分箱中的样本占比
- 分箱通常按评分等频或等距划分为10-20箱PSI与阈值漂移的关联：
- PSI直接量化了评分分布的整体偏移程度，是阈值漂移的最直接指标。
- 当PSI > 0.1时，通常认为分布发生显著漂移，阈值需要重新评估。
- 当PSI > 0.25时，分布漂移严重，阈值可能完全失效，需紧急干预。
| PSI范围 | 漂移程度 | 阈值漂移风险 | 建议行动 |
|---|---|---|---|
| PSI < 0.1 | 无显著漂移 | 低 | 继续常规监测 |
| 0.1 ≤ PSI < 0.25 | 轻度漂移 | 中 | 启动阈值漂移巡查，准备校准 |
| PSI ≥ 0.25 | 严重漂移 | 高 | 立即重新校准阈值，排查根因 |
实践建议： 在信贷场景中，建议同时监测评分PSI和关键特征PSI。若评分PSI正常但特征PSI异常，说明模型对特征漂移有鲁棒性；若两者同时异常，则阈值漂移风险极高。
3.4 漂移的量化指标体系
为全面量化阈值漂移，需要构建一个多维度的指标体系。下表汇总了核心量化指标及其与阈值漂移的关联：
| 指标名称 | 数学定义 | 与阈值漂移的关联 | 监测频率 |
|---|---|---|---|
| PSI | Σ (P_cur_i - P_ref_i) * ln(P_cur_i / P_ref_i) | 直接量化分布整体偏移，阈值漂移的核心指标 | 每日/每周 |
| KS | max |Cum_Bad - Cum_Good| | 反映区分能力变化，间接提示阈值漂移 | 每日/每周 |
| 通过率变化 | ΔPassRate = PassRate_cur - PassRate_ref | 直接反映阈值决策结果的变化，最直观 | 每日 |
| 坏账率变化 | ΔBadRate = BadRate_cur - BadRate_ref | 反映阈值漂移对风险结果的影响 | 每周/每月 |
| 特征PSI | 对每个入模特征计算PSI | 定位漂移根因，判断是特征漂移还是模型失效 | 每周 |
| 阈值偏移量 | ΔT = T_cur - T_ref（保持相同通过率） | 直接量化阈值需要调整的幅度 | 按需 |
3.5 综合判定：多指标联动分析
单一指标可能存在滞后性或误报，因此阈值漂移的自动巡查应采用多指标联动分析策略：
- PSI为主指标：作为分布漂移的定量标尺，设定0.1和0.25两个阈值。
- KS为辅助指标：监测模型区分能力的变化，与PSI形成互补。
- 通过率变化为业务指标：直接反映阈值漂移对业务决策的影响。
- 特征PSI为根因指标：当整体PSI异常时，通过特征PSI定位漂移来源。
综合判定示例： 若PSI=0.15（轻度漂移）、KS下降3%（正常波动）、通过率下降5%（显著变化），则判定为阈值漂移高风险，需立即启动校准流程。若PSI=0.08（正常）、KS下降6%（显著下降），则需排查模型是否失效，而非单纯阈值漂移。
通过上述数学定义和量化指标体系，阈值漂移从模糊的业务感知转变为可计算、可监测、可预警的工程问题，为自动化巡查系统奠定了坚实的理论基础。