3. 稳定性概念：模型稳定性的数学定义、统计稳定性与业务稳定性的区别、稳定性失效的典型场景

在定价模型的生命周期中，稳定性是衡量模型能否持续可靠运行的核心指标。一个不稳定的模型会导致定价偏差、收入损失甚至监管风险。本节将从数学定义出发，厘清统计稳定性与业务稳定性的本质区别，并剖析稳定性失效的典型场景。

3.1 模型稳定性的数学定义

从数学角度看，模型稳定性通常通过群体稳定性指标（Population Stability Index, PSI）来量化。PSI 衡量模型评分在时间维度上的分布偏移程度。

PSI 计算公式：

PSI = Σ (P_i - Q_i) * ln(P_i / Q_i)

其中：
- P_i = 当前评估窗口（如本月）中，评分落在第 i 个分箱的样本占比
- Q_i = 基准窗口（如建模时或上个月）中，评分落在第 i 个分箱的样本占比
- 分箱通常按等频或等距划分为 10 组（十分位）

PSI 判定标准：

3.2 统计稳定性与业务稳定性的区别

许多从业者容易混淆统计稳定性和业务稳定性。两者虽然相关，但关注点截然不同。下表梳理了核心差异：

3.3 稳定性失效的典型场景

理解失效场景是建立巡检体系的前提。以下是定价模型中最常见的五种稳定性失效场景：

1. 客群漂移（Population Drift）
   • 现象：新获客渠道引入大量低风险或高风险客群，导致模型评分分布整体偏移。
   • 案例：某消费金融公司上线“白领贷”产品后，客群平均收入从 8K 升至 15K，模型 PSI 从 0.05 飙升至 0.32。
   • 影响：定价偏低（低风险客群被低估）或定价偏高（高风险客群被高估）。
2. 特征数据质量退化（Feature Quality Degradation）
   • 现象：上游数据源缺失、延迟或格式变更，导致特征值分布突变。
   • 案例：某银行风控系统因合作数据商接口升级，导致“近 3 个月查询次数”字段连续 3 天返回空值，模型输出骤降。
   • 影响：模型输出出现大量异常值，定价结果不可解释。
3. 宏观环境突变（Macroeconomic Shock）
   • 现象：经济周期、政策调整或突发事件（如疫情）导致客群行为模式整体改变。
   • 案例：2020 年疫情期间，某车险定价模型因出行频率骤降，历史赔付率特征失效，模型 PSI 突破 0.40。
   • 影响：模型区分度下降，定价与真实风险脱节。
4. 业务策略与模型冲突（Strategy-Model Conflict）
   • 现象：业务部门为达成 KPI 临时调整定价策略（如折扣、提价），导致模型输出被覆盖或扭曲。
   • 案例：某电商平台在“双十一”期间统一将定价下调 15%，模型统计稳定但业务稳定性崩溃（亏损率上升）。
   • 影响：模型失效但统计指标无异常，属于“隐形失效”。
5. 模型老化（Model Decay）
   • 现象：模型上线时间过长，训练数据与当前环境差异累积，导致预测能力持续下降。
   • 案例：某信贷模型上线 18 个月后，PSI 从 0.08 缓慢上升至 0.22，区分度 AUC 从 0.78 降至 0.65。
   • 影响：定价精度逐渐劣化，最终触发重训阈值。

3.4 稳定性巡检的核心原则

基于上述概念和场景，稳定性巡检应遵循以下原则：

• 分层监控：特征级 → 模型级 → 业务级，逐层递进，不遗漏任何环节。
• 阈值动态化：PSI 阈值应根据业务容忍度、模型重要性动态调整，而非一刀切使用 0.10/0.25。
• 根因定位优先：发现 PSI 异常后，立即通过特征贡献度分析（如 SHAP 值变化）定位漂移源。
• 业务验证闭环：统计异常必须与业务指标（通过率、客诉率）交叉验证，避免误报或漏报。