4. PSI 计算与解读：公式推导、分箱方法、阈值设定与实际案例

群体稳定性指标（Population Stability Index, PSI）是衡量模型评分分布随时间或样本集变化程度的量化工具。在风险定价模型中，PSI 用于监控模型输出（如违约概率、风险评分）是否发生显著漂移，从而判断模型是否需要重新训练或校准。

4.1 PSI 公式推导

PSI 基于信息论中的 KL 散度（Kullback-Leibler Divergence）对称化形式，衡量两个概率分布之间的差异。其核心思想是比较模型在基准期（开发样本）与当前期（监控样本）上的评分分布差异。

设基准期各分箱的样本占比为 \( P_i \)，当前期各分箱的样本占比为 \( Q_i \)，共有 \( n \) 个分箱，则 PSI 计算公式为：

PSI = Σ ( (Q_i - P_i) * ln(Q_i / P_i) )   for i = 1 to n

公式推导逻辑：

• KL 散度不对称性：\( D_{KL}(P||Q) = Σ P_i * ln(P_i / Q_i) \) 与 \( D_{KL}(Q||P) = Σ Q_i * ln(Q_i / P_i) \) 不相等。
• 对称化处理：PSI 取 \( D_{KL}(Q||P) + D_{KL}(P||Q) \) 的简化形式，实际使用中通常只取 \( Σ (Q_i - P_i) * ln(Q_i / P_i) \)，该形式在 \( P_i \) 与 \( Q_i \) 接近时近似对称。
• 物理意义：当两个分布完全一致时，\( Q_i = P_i \)，每项为 0，PSI = 0；差异越大，PSI 值越大。

4.2 分箱方法

分箱是 PSI 计算的前置步骤，直接影响指标敏感度与稳定性。常用分箱方法包括等距分箱、等频分箱与自定义分箱。

4.3 阈值设定（0.1 / 0.25）

PSI 阈值是判断模型是否发生显著漂移的决策边界。行业通用标准如下：

• 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，需关注并分析原因，可能需轻微调整。
• PSI ≥ 0.25：显著漂移，模型已发生结构性变化，建议重新训练或校准。

4.4 实际案例计算

某消费信贷风险定价模型，基准期（2024年1月）与当前期（2024年7月）的评分分布如下（等频分箱，10 箱）：

计算过程：

PSI = 0.00558 + 0.00095 + 0.00024 + 0.00000 + 0.00026 + 0.00105 + 0.00244 + 0.00446 + 0.00719 + 0.01050
PSI = 0.03267 ≈ 0.033

结果解读：PSI = 0.033 < 0.1，模型评分分布未发生显著漂移，当前模型稳定，无需干预。

4.5 PSI 解读注意事项

• 分箱数敏感性：分箱越多，PSI 对微小变化越敏感，容易产生假阳性警报。建议固定分箱数（如 10 箱）并保持基准期与当前期分箱边界一致。
• 样本量要求：每箱样本量建议 ≥ 30，否则占比估计不稳定，PSI 方差增大。
• 业务上下文：PSI 仅反映分布变化，不直接说明模型性能下降。需结合模型区分度（如 KS、AUC）与校准度（如校准曲线）综合判断。
• 趋势监控：单次 PSI 超标可能由数据异常引起，建议连续监控 2~3 个周期再触发重训决策。