4. PSI阈值设定：行业通用阈值与业务场景调优

PSI（Population Stability Index）监控的核心在于“阈值”——阈值设得太低，模型微小的正常波动就会触发大量告警，形成告警疲劳；阈值设得太高，模型已经发生实质性偏移却未被发现，导致风险决策失效。本章从行业通用标准出发，逐步深入到不同业务场景下的调整策略，并给出误报与漏报的平衡方法。

4.1 行业通用阈值标准

在信贷风控、营销评分、反欺诈等场景中，PSI 的通用判定区间已形成行业共识。下表总结了三个关键阈值区间及其对应的模型稳定性含义：

4.2 不同业务场景下的阈值调整策略

实际业务中，PSI 阈值不能一刀切。以下四种典型场景需要差异化调整：

• 场景一：高准入标准（如大额抵押贷）
  客群本身经过严格筛选，分布天然稳定，PSI 正常值通常在 0.05 以下。此时应将黄色预警阈值下调至 0.05，红色告警阈值下调至 0.15，以捕捉早期细微偏移。
• 场景二：高波动客群（如现金贷、短期消费贷）
  客群受市场活动、节假日、渠道投放影响大，PSI 在 0.10~0.20 之间波动属于常态。建议将黄色预警阈值上调至 0.15，红色告警阈值上调至 0.30，避免频繁误报。
• 场景三：模型刚上线或迭代初期
  新模型上线前 1~3 个月，客群分布尚未稳定，PSI 容易偏高。此时可设置 观察期阈值（如 0.20 为黄色、0.35 为红色），待模型运行稳定后再回归标准阈值。
• 场景四：监管或合规要求严格的场景
  如银行核心风控模型、反洗钱模型，监管要求模型稳定性极高。此时应使用更严格的阈值（如黄色 0.05、红色 0.10），并配合人工复核机制。

4.3 误报与漏报的平衡

PSI 监控本质上是一个二分类决策问题：每次计算出的 PSI 值要么触发告警，要么不触发。阈值的选择直接决定了误报率（False Positive Rate）和漏报率（False Negative Rate）的权衡。

下图展示了阈值与误报/漏报的关系：

从图中可以清晰看到：

• 阈值偏低（如 0.05）：误报率升高，大量正常波动触发告警，运营团队容易产生“狼来了”效应，忽略真正重要的告警。
• 阈值偏高（如 0.30）：漏报率升高，模型已经发生显著偏移却未被发现，可能导致信贷审批失误、风险定价错误等实质性损失。
• 最优阈值区间：通常在 0.10~0.25 之间，误报率和漏报率达到相对平衡。具体位置需根据业务损失函数确定。

4.4 阈值设定的工程化实践

在实际监控系统中，阈值设定不应是静态的。推荐采用以下工程化方法：

1. 历史回溯法：取过去 6~12 个月的 PSI 历史数据，绘制分布直方图，取 90% 或 95% 分位数作为黄色预警阈值。
2. 损失函数法：定义误报成本（如每次误报消耗 0.5 人天）和漏报成本（如漏报导致坏账率上升 0.1%），计算不同阈值下的总成本，选择成本最低点。
3. 动态阈值法：结合时间窗口（如按月、按周）自动计算阈值，适应客群季节性波动。例如：
   

   # 动态阈值计算示例（伪代码）
   def calculate_dynamic_threshold(psi_history, percentile=0.90):
       # psi_history: 过去12个月的PSI序列
       # 返回90%分位数作为黄色预警阈值
       sorted_psi = sorted(psi_history)
       index = int(len(sorted_psi) * percentile)
       return sorted_psi[index]

4. 分层阈值法：按模型版本、客群分层、产品线分别设定阈值，避免“一刀切”。

4.5 阈值设定决策流程

以下流程图总结了从初始阈值设定到持续优化的完整闭环：

该流程强调：阈值设定不是一次性工作，而是需要根据实际监控效果持续迭代的闭环过程。初始阈值可以基于行业经验设定，但后续必须通过实际误报/漏报数据来校准。

4.6 阈值设定检查清单

在实际项目中，建议使用以下清单确保阈值设定的完整性：