1. 课程导论:PSI指标的定义、在额度定价巡检中的重要性、课程整体目标与学习路径
1.1 PSI指标的定义与核心概念
PSI(Population Stability Index,群体稳定性指标) 是衡量两个样本分布之间差异程度的统计量。在金融风控与信贷定价领域,PSI 用于量化模型评分或关键风险特征在时间维度上的偏移程度,是监控模型稳定性的核心工具。
PSI 的计算基于信息论中的 KL散度(Kullback-Leibler Divergence),其数学表达式为:
PSI = Σ (实际占比_i - 预期占比_i) × ln(实际占比_i / 预期占比_i)
其中:
- 预期占比(Expected Proportion):模型开发时或基准期的样本在各分数段/分箱中的占比。
- 实际占比(Actual Proportion):当前监控期样本在各分数段/分箱中的占比。
PSI 值越小,说明两个分布越接近,模型稳定性越好;PSI 值越大,说明分布偏移越严重,模型可能已失效。
行业经验阈值:
- PSI < 0.10:无显著偏移,模型稳定。
- 0.10 ≤ PSI < 0.25:轻度偏移,需关注并排查原因。
- PSI ≥ 0.25:严重偏移,模型需立即重构或重新开发。
1.2 PSI在额度定价巡检中的重要性
在信贷额度定价场景中,模型输出的定价分数或风险等级直接决定了客户的授信额度与利率水平。如果模型发生偏移而未及时发现,将导致以下风险:
| 风险类型 | 具体表现 | 业务影响 |
|---|---|---|
| 定价偏差 | 模型高估或低估客户风险,导致定价过高或过低 | 客户流失或利润损失 |
| 信用风险暴露 | 高风险客户获得低定价,低风险客户被拒或定价过高 | 不良率上升,组合质量恶化 |
| 监管合规风险 | 模型偏移导致定价不公平或歧视性结果 | 监管处罚、声誉损失 |
| 策略失效 | 基于旧模型制定的额度策略不再适用 | 业务目标无法达成 |
通过定期巡检 PSI 指标,风控与定价团队可以:
- 早期预警:在模型性能显著下降前发现偏移趋势。
- 归因分析:定位导致偏移的具体特征或客群。
- 决策支持:为模型迭代、策略调整提供量化依据。
核心观点: PSI 是额度定价模型稳定性的“晴雨表”,是连接模型监控与业务决策的关键桥梁。
1.3 PSI在额度定价巡检中的典型应用场景
PSI 在额度定价巡检中主要应用于以下三个层面:
- 模型分数稳定性监控:监控定价模型输出的风险分数分布是否发生偏移。
- 关键特征稳定性监控:监控模型中使用的重要特征(如收入、负债率、征信查询次数)的分布变化。
- 客群结构变化监控:监控申请客群或存量客群在关键维度上的构成变化。
1.4 课程整体目标与学习路径
本课程旨在帮助学员系统掌握 PSI 指标在额度定价巡检中的完整应用方法,从理论到实战,构建可落地的监控体系。
课程核心目标:
- 理解 PSI 的数学原理与业务含义。
- 掌握 PSI 在定价模型监控中的计算与解读方法。
- 学会构建 PSI 巡检报表与自动化预警机制。
- 能够基于 PSI 偏移结果进行归因分析与策略调整。
学习路径与章节结构:
| 模块 | 章节范围 | 核心内容 |
|---|---|---|
| 基础篇 | 第1-5章 | PSI 定义、计算原理、阈值设定、与定价模型的关系 |
| 实战篇 | 第6-15章 | PSI 计算代码实现、巡检报表设计、自动化监控框架 |
| 进阶篇 | 第16-25章 | 多维度归因分析、特征级 PSI、客群分层监控 |
| 策略篇 | 第26-30章 | 基于 PSI 的定价策略调整、模型迭代决策、案例复盘 |
学习建议: 本课程涉及较多数学公式与代码实现,建议学员提前准备 Python 环境(推荐 Jupyter Notebook),并熟悉 pandas、numpy 等基础库。每章末尾配有练习题,建议动手完成以巩固理解。