3、监控指标体系：PSI、KS、KL散度、JS散度、Wasserstein距离的适用场景与计算原理

在低延迟风控特征漂移监控中，选择合适的统计指标是准确预警的前提。不同指标对分布变化的敏感度、计算复杂度及适用场景差异显著。本章从数学原理出发，结合风控业务场景，逐一剖析 PSI、KS、KL 散度、JS 散度与 Wasserstein 距离的核心特性，并给出选型建议。

核心原则： 监控指标的选择需权衡“灵敏度”与“稳定性”。对于高频实时监控，优先选择计算轻量、对微小漂移不敏感的指标（如 PSI）；对于深度分析或模型迭代验证，则可采用对分布尾部变化更敏感的指标（如 Wasserstein 距离）。

3.1 指标全景对比

下表从计算原理、输出范围、对称性、对尾部变化的敏感度及典型风控场景五个维度，对五大指标进行横向对比：

指标名称 计算原理 输出范围 对称性 尾部敏感度 典型风控场景
PSI 基于分箱的交叉熵变体 [0, +∞) 对称 低（依赖分箱） 评分卡分数漂移、特征分布周级监控
KS 经验分布函数最大垂直距离 [0, 1] 对称 中（对中心偏移敏感） 模型区分度衰减、拒绝推断分布对齐
KL 散度 相对熵，非对称度量 [0, +∞) 非对称 高（对概率接近0区域敏感） 异常检测、罕见事件分布变化
JS 散度 KL 散度的对称平滑版本 [0, 1] 对称 中高（有界且平滑） 多分布对比、模型蒸馏监控
Wasserstein 距离 最优传输理论，推土机距离 [0, +∞) 对称 极高（对位移和尾部敏感） 高精度数值特征漂移、对抗样本检测

3.2 各指标计算原理与适用场景

3.2.1 PSI（群体稳定性指标）

计算原理： PSI 将连续特征或模型分数进行等频分箱（通常 10~20 箱），然后计算每个分箱中实际占比与预期占比的差异。公式如下：

PSI = Σ (Actual_i - Expected_i) * ln(Actual_i / Expected_i)

其中：
- Expected_i = 基准分布中第 i 个分箱的样本占比
- Actual_i = 当前分布中第 i 个分箱的样本占比

适用场景：

  • 评分卡分数监控： 信贷风控中，模型输出的信用评分分布漂移是业务稳定性的核心指标，PSI < 0.1 表示无显著漂移，0.1~0.25 需关注，> 0.25 表示严重漂移。
  • 特征分布周级/月级监控： 对数值型特征（如收入、负债率）进行分箱后计算 PSI，计算速度快，适合大规模批量监控。
  • 局限性： 分箱数量与边界选择对结果影响较大；对分箱内分布形状变化不敏感。

3.2.2 KS（Kolmogorov-Smirnov 检验统计量）

计算原理： KS 统计量衡量两个经验累积分布函数（ECDF）之间的最大绝对垂直距离。对于基准分布 F(x) 和当前分布 G(x)，有：

KS = max |F(x) - G(x)|

其中：
- F(x) = 基准样本中值 ≤ x 的比例
- G(x) = 当前样本中值 ≤ x 的比例

适用场景：

  • 模型区分度衰减监控： 在风控模型上线后，监控模型对好坏样本的排序能力是否下降。KS 值下降通常意味着特征分布重叠加剧。
  • 拒绝推断分布对齐： 验证通过样本与拒绝样本在关键特征上的分布一致性，KS 值过大表示样本选择偏差严重。
  • 局限性： 对分布中心区域的偏移敏感，但对尾部细微变化不敏感；样本量较小时统计波动大。

3.2.3 KL 散度（Kullback-Leibler Divergence）

计算原理： KL 散度衡量用分布 Q 来近似分布 P 时的信息损失。公式为：

KL(P || Q) = Σ P(x) * ln(P(x) / Q(x))

注意：KL 散度是非对称的，即 KL(P||Q) ≠ KL(Q||P)。

适用场景：

  • 异常检测： 当特征分布中出现罕见值或概率接近 0 的事件时，KL 散度会急剧增大，适合捕捉欺诈行为导致的分布突变。
  • 模型输入分布验证： 在模型推理前，快速检测当前 batch 的输入分布是否与训练集分布严重偏离。
  • 局限性： 非对称性导致方向选择需谨慎；当 Q(x)=0 且 P(x)>0 时，KL 散度趋向无穷大，数值不稳定。

3.2.4 JS 散度（Jensen-Shannon Divergence）

计算原理： JS 散度是 KL 散度的对称化与平滑版本，通过引入中间分布 M = (P+Q)/2 来保证有界性和对称性：

JS(P || Q) = 0.5 * KL(P || M) + 0.5 * KL(Q || M)

其中 M = (P + Q) / 2，JS 散度取值范围为 [0, 1]（当使用 log base 2 时）。

适用场景：

  • 多分布对比： 在 A/B 测试或多模型版本对比中，JS 散度可同时比较多个特征分布，且结果有界，便于设定统一阈值。
  • 模型蒸馏监控： 监控教师模型与学生模型输出概率分布的一致性，JS 散度比 KL 散度更稳定。
  • 局限性： 计算复杂度略高于 KL 散度；对完全相同的分布，JS 散度为 0，但对微小差异的放大能力不如 Wasserstein 距离。

3.2.5 Wasserstein 距离（Earth Mover's Distance）

计算原理： Wasserstein 距离基于最优传输理论，衡量将一个分布“搬运”成另一个分布所需的最小成本。对于一维分布，有闭式解：

W(P, Q) = ∫ |F⁻¹(t) - G⁻¹(t)| dt

其中 F⁻¹ 和 G⁻¹ 分别为 P 和 Q 的逆累积分布函数（分位数函数）。

适用场景：

  • 高精度数值特征漂移： 对于连续型特征（如交易金额、年龄），Wasserstein 距离能捕捉到分布的整体位移和形状变化，包括尾部细微差异。
  • 对抗样本检测： 在风控模型安全领域，对抗样本通常会导致特征分布发生微小但结构性的偏移，Wasserstein 距离对此类偏移敏感。
  • 局限性： 计算复杂度较高（尤其高维），在低延迟场景中需结合近似算法或降维使用。
工程建议： 在低延迟风控流水线中，建议采用“两级监控”策略——第一级使用 PSI 或 KS 进行快速粗筛（毫秒级），第二级对触发阈值的特征使用 Wasserstein 距离进行精确评估（百微秒级），兼顾效率与精度。

3.3 指标选择决策流程

下图展示了在风控特征漂移监控中，如何根据业务需求与数据特性选择合适的指标：

风控特征漂移监控指标选择决策流程 风控特征漂移监控指标选择决策流程 特征分布漂移检测需求 是否要求毫秒级实时监控？ 是 否 PSI 或 KS（粗筛） 是否关注尾部变化？ 是 否 Wasserstein 距离 KL 或 JS 散度 两级监控策略：PSI/KS 粗筛 → Wasserstein 精验 兼顾低延迟与高精度，适用于生产环境

3.4 计算复杂度与工程选型

在低延迟场景中，指标的计算复杂度直接影响监控系统的吞吐量。下表对比了各指标在典型实现下的时间复杂度与工程建议：

指标 时间复杂度（n=样本数） 内存占用 工程建议
PSI O(n·bins) 低（仅需分箱计数） 预计算分箱边界，使用直方图近似，适合流式计算
KS O(n log n) 中（需排序） 使用近似分位数算法（如 T-Digest）降低排序开销
KL 散度 O(n·bins) 低 注意概率为 0 的处理（加极小平滑项），避免除零
JS 散度 O(n·bins) 低 与 KL 类似，但数值更稳定，推荐作为 KL 的替代
Wasserstein 距离 O(n log n)（一维） 中（需排序） 一维场景使用排序后积分；高维场景使用 Sinkhorn 近似
避坑提醒： 在实时监控中，避免对全量原始数据直接计算 Wasserstein 距离。建议采用“在线分位数估计”技术（如 Greenwald-Khanna 算法），将计算复杂度从 O(n log n) 降低到 O(log n)，同时保持对分布漂移的高灵敏度。

3.5 综合选型建议

基于以上分析，针对不同风控监控层级，给出如下选型建议：

  • L1 快速预警（毫秒级）： 使用 PSI（分箱预计算）或 KS（T-Digest 近似），每 5~10 分钟计算一次，阈值触发后进入 L2 分析。
  • L2 精确诊断（秒级）： 对触发 L1 的特征，使用 Wasserstein 距离（一维排序积分）或 JS 散度（对称稳定），结合特征重要性进行根因定位。
  • L3 离线复盘（分钟级）： 在每日/每周的模型监控报告中，同时计算所有五个指标，形成多维度漂移报告，用于模型迭代决策。

通过合理组合这些指标，风控系统可以在保持低延迟的同时，实现对特征分布漂移的全面感知与精准预警。

← 上一章 📖 返回目录 下一章 →