1. 风控哨兵概述
1.1 什么是风控哨兵
风控哨兵（Risk Sentinel）是一套实时或准实时的数据质量与分布监控体系，专门用于侦测模型输入特征、模型评分以及业务标签在生产环境中的分布偏移与数据异常。它像哨兵一样驻守在风控系统的关键节点，一旦发现数据分布发生显著变化，立即触发告警，为模型迭代、策略调整和业务决策提供依据。
核心定位：风控哨兵不是模型本身，而是模型的“健康监测仪”——它不直接参与决策，但保障决策所依赖的数据环境始终处于可控状态。
风控哨兵通常覆盖以下监控维度：
- 特征漂移监控：检测单个特征或特征组合的分布是否发生显著变化。
- 模型评分漂移监控：监控模型输出分数（如信用评分、欺诈概率）的整体分布变化。
- 标签分布监控：跟踪业务标签（如逾期标签、欺诈标签）的分布是否稳定。
- 数据质量监控：检测缺失率、异常值、重复记录等数据质量问题。
1.2 数据漂移监控在风控中的重要性
在风控场景中，模型通常基于历史数据训练而成，并假设未来数据分布与训练集保持一致。然而，现实世界中的用户行为、经济环境、政策法规等因素不断变化，导致数据分布发生漂移。如果不对数据漂移进行监控，模型性能将逐渐退化，甚至产生严重误判。
| 漂移类型 | 定义 | 风控影响 |
|---|---|---|
| 特征漂移 | 模型输入特征的分布发生变化 | 模型对特征的权重判断失效，评分偏差增大 |
| 概念漂移 | 特征与标签之间的映射关系发生变化 | 模型决策边界不再适用，误拒/误放风险上升 |
| 标签漂移 | 业务标签本身的分布发生变化 | 模型训练目标偏移，评估指标失真 |
| 数据质量漂移 | 数据缺失率、异常率等质量指标变化 | 模型输入不可靠，决策基础动摇 |
典型案例：某消费金融公司因未监控特征漂移，在疫情后用户收入分布发生显著变化，模型仍按原有权重评估信用风险，导致坏账率在3个月内上升了2.3倍。事后复盘发现，收入特征的PSI值早在2个月前就已超过0.25的警戒线。
数据漂移监控在风控中的核心价值体现在：
- 提前预警：在模型性能明显下降之前发现数据异常，争取模型迭代窗口期。
- 归因分析：定位具体是哪些特征或业务环节发生了漂移，辅助策略调整。
- 合规审计：为监管机构提供模型稳定性证明，满足模型治理要求。
- 成本控制：避免因模型失效导致的大规模坏账或误拒损失。
1.3 PSI指标的核心作用
群体稳定性指标（Population Stability Index, PSI）是风控哨兵中最核心的量化指标，用于衡量两个样本群体在某个变量上的分布差异程度。PSI最初广泛应用于信用评分卡模型，用于监控模型评分在时间维度上的稳定性，现已扩展至特征漂移、标签漂移等各类监控场景。
PSI的计算公式如下：
PSI = Σ (P_i - Q_i) × ln(P_i / Q_i)
其中：
- P_i：实际分布（当前样本）在第 i 个分箱中的占比
- Q_i：期望分布（基准样本）在第 i 个分箱中的占比
- 分箱方式：通常按等频或等距将变量分为 10~20 个区间PSI的判定标准在风控行业已形成通用共识：
| PSI 范围 | 漂移程度 | 建议行动 |
|---|---|---|
| PSI < 0.1 | 无显著漂移 | 无需干预，持续监控 |
| 0.1 ≤ PSI < 0.25 | 轻度漂移 | 加强监控频率，排查可能原因 |
| PSI ≥ 0.25 | 严重漂移 | 立即告警，启动模型迭代或策略调整 |
PSI 的核心优势：
- 无量纲：不受变量量纲影响，适用于连续型、离散型、评分值等各类变量。
- 可对比：不同特征、不同模型的PSI值可以直接比较，便于统一监控。
- 阈值明确：行业通用阈值（0.1/0.25）降低了监控配置的复杂度。
- 可解释：通过分箱贡献度可以快速定位导致漂移的主要区间。
在风控哨兵体系中，PSI 承担着“第一道防线”的角色——它是最早发现数据异常的信号灯。当 PSI 超过阈值时，风控团队可以立即启动深度分析，结合特征重要性、分箱贡献度等工具，快速定位漂移根因，为模型迭代争取宝贵时间。