4. 巡检指标体系：PSI、CSI、KS、AUC 在稳定性监控中的角色
在定价模型的生命周期管理中，稳定性监控是确保模型“上线后不跑偏”的核心防线。本章聚焦四个最关键的量化指标：PSI（群体稳定性指标）、CSI（特征稳定性指标）、KS（区分度指标）和AUC（区分能力指标）。它们分别从“分数分布漂移”、“特征贡献漂移”、“排序能力衰减”和“整体区分力衰减”四个维度，构成完整的稳定性监控矩阵。
核心认知：PSI 和 CSI 回答“模型输入/输出是否变了”，KS 和 AUC 回答“模型效果是否还可靠”。四者缺一不可，不能互相替代。
4.1 PSI：群体稳定性指标（Population Stability Index）
PSI 衡量模型评分（Score）在开发样本与监控样本之间的分布偏移程度。它是稳定性监控的“第一道防线”，通常按月或按周计算。
| 维度 | 说明 |
|---|---|
| 计算公式 | PSI = Σ (实际占比 - 预期占比) × ln(实际占比 / 预期占比) |
| 监控对象 | 模型输出的分数（Score）或概率（Probability） |
| 分箱方式 | 通常等频分 10 箱，每箱约 10% 样本 |
| 阈值标准 | PSI < 0.1：无显著偏移；0.1 ≤ PSI < 0.25：需关注；PSI ≥ 0.25：严重偏移，需紧急排查 |
| 触发动作 | 轻度偏移：发送预警通知；中度偏移：启动特征归因分析；重度偏移：暂停模型使用 |
实战避坑：PSI 对分箱方式敏感。等宽分箱在长尾分布下容易导致空箱，建议统一使用等频分箱。若监控样本量不足 1000，PSI 的统计稳定性会显著下降，此时应优先累积样本再计算。
4.2 CSI：特征稳定性指标（Characteristic Stability Index）
CSI 是 PSI 的“拆解版”，它将 PSI 的偏移量按特征维度分解，定位到底是哪个特征导致了分数漂移。CSI 的计算逻辑与 PSI 相同，但监控对象从“模型分数”换成了“单个特征的分布”。
- 计算方式：对每个特征分别计算 PSI，得到该特征的 CSI 值。
- 排序归因：按 CSI 值从大到小排序，CSI 最大的前 3-5 个特征即为“漂移元凶”。
- 联动分析：CSI 高的特征，如果同时是模型的重要特征（高 SHAP 值或高 IV 值），则风险等级最高。
- 阈值参考：单个特征 CSI > 0.02 即需关注；CSI > 0.1 视为严重漂移。
常见误区：不要只看 CSI 绝对值。一个 CSI 为 0.05 但模型权重极低的特征，其影响远小于 CSI 为 0.02 但权重排名第一的特征。必须结合特征重要性（Feature Importance）做加权评估。
4.3 KS：区分度指标（Kolmogorov-Smirnov）
KS 衡量模型对“好客户”和“坏客户”的排序区分能力。在稳定性监控中，KS 的下降意味着模型正在丧失区分好坏的能力。
| 监控维度 | 具体含义 |
|---|---|
| 定义 | 好客户累计分布与坏客户累计分布的最大差值 |
| 监控频率 | 月度或季度，与模型重检周期对齐 |
| 衰减判定 | KS 下降超过开发集 KS 的 15%-20% 视为显著衰减 |
| 与 PSI 的关系 | PSI 正常但 KS 下降：说明分数分布没变，但好坏标签的分布关系变了（如客群结构变化） |
| 应对策略 | 重新校准模型阈值、检查标签定义是否失效、考虑模型重建 |
4.4 AUC：区分能力指标（Area Under the ROC Curve）
AUC 是模型整体排序能力的“黄金标准”。在稳定性监控中，AUC 的持续下滑是模型退化的最直接证据。
- 监控方式：每月计算监控样本的 AUC，与开发集 AUC 做对比。
- 衰减阈值：AUC 下降超过 0.03-0.05 视为显著退化（具体阈值取决于业务容忍度）。
- 与 KS 的差异：AUC 衡量全局排序能力，KS 衡量最大区分点。AUC 更稳健，KS 对局部变化更敏感。
- 联合使用：当 AUC 下降但 KS 不变时，说明模型在非最优切点处的排序能力下降；当 KS 下降但 AUC 不变时，说明最大区分点漂移但整体排序尚可。
监控组合建议：PSI + CSI 做“输入输出漂移检测”，KS + AUC 做“效果衰减检测”。四个指标同时正常，模型才可判定为稳定；任意一个指标触发阈值，都应启动人工排查流程。
4.5 四指标联动监控架构
下图展示了四个指标在稳定性监控中的层级关系与联动逻辑：PSI 和 CSI 位于“分布层”，KS 和 AUC 位于“效果层”，两层之间通过“特征归因”和“标签验证”形成闭环。
4.6 四指标对比总结
| 指标 | 监控对象 | 回答的问题 | 计算前提 | 典型阈值 | 响应速度 |
|---|---|---|---|---|---|
| PSI | 模型分数分布 | 分数整体漂移了吗？ | 仅需分数 | < 0.1 正常 | 快（周级） |
| CSI | 单个特征分布 | 哪个特征漂移了？ | 需特征数据 | < 0.02 正常 | 快（周级） |
| KS | 好坏分布最大差距 | 模型还能区分好坏吗？ | 需真实标签 | 下降 < 15% | 中（月级） |
| AUC | 全局排序能力 | 模型整体效果退化了吗？ | 需真实标签 | 下降 < 0.03 | 中（月级） |
最佳实践：在自动化监控平台中，将 PSI 和 CSI 设为“高频低阈值”告警（每周计算，PSI≥0.1 告警），将 KS 和 AUC 设为“低频高阈值”告警（每月计算，KS 下降≥15% 或 AUC 下降≥0.03 告警）。这样既能快速发现分布漂移，又能避免因标签延迟导致的误报。