1. PSI 概念与风控意义
1.1 PSI 的数学定义
群体稳定性指标（Population Stability Index，PSI） 用于衡量两个样本分布之间的差异程度。在风控场景中，通常比较 当前评分/特征分布 与 建模时（或基准期）的分布 是否发生显著偏移。
PSI 的计算基于分箱（Binning）后的离散化分布，其数学公式如下：
PSI = Σ (Actual_i - Expected_i) × ln(Actual_i / Expected_i)
其中：
- Actual_i = 当前样本在第 i 个分箱中的占比
- Expected_i = 基准样本在第 i 个分箱中的占比
- ln = 自然对数
- Σ = 对所有分箱求和计算步骤：
- 分箱：将特征或评分按基准期的十分位数（或等频/等距）划分为 K 个区间。
- 统计占比：分别计算基准期和当前期在每个区间内的样本占比。
- 计算单项偏移：对每个区间计算 (实际占比 - 预期占比) × ln(实际占比 / 预期占比)。
- 求和：将所有区间的结果相加，得到最终的 PSI 值。
⚠️ 注意：当某个分箱的预期占比为 0 时，公式中的对数项无定义。实际工程中通常对占比做平滑处理（如加极小值 1e-6），或合并空箱。
1.2 PSI 在风控特征监控中的核心价值
在实时风控系统中，特征分布偏移是模型性能衰减的最早信号之一。PSI 监控的核心价值体现在以下三个层面：
| 监控层面 | 核心价值 | 典型场景 |
|---|---|---|
| 特征质量 | 量化特征分布随时间的变化幅度，识别异常特征 | 用户年龄分布突变、收入字段缺失率上升 |
| 模型稳定性 | 在模型 AUC 下降前提前预警，争取调优窗口 | 评分卡分数整体右移、决策阈值失效 |
| 业务合规 | 监控模型是否对特定客群产生歧视性偏移 | 地域特征分布偏移导致拒绝率不均衡 |
💡 经验阈值：
- PSI < 0.1：分布稳定，无需干预。
- 0.1 ≤ PSI < 0.25：轻度偏移，需关注并排查原因。
- PSI ≥ 0.25：严重偏移，必须立即告警并启动模型重训或特征修复。
1.3 特征偏移对模型性能的影响
特征偏移会通过以下路径逐步侵蚀模型效果：
- 决策边界失效：模型在训练集上学习到的决策边界不再适用于当前数据分布，导致误判率上升。
- 评分排序紊乱：原本高分段客群的特征分布发生漂移，使得评分卡对好/坏客户的区分能力下降。
- 阈值失准：基于基准分布设定的拒绝阈值（如 0.7）在当前分布下可能拒绝过多或过少，直接影响通过率和坏账率。
- 特征重要性漂移：某些特征在建模时贡献度高，但偏移后变得不显著，而其他特征的重要性上升，模型整体解释性变差。
下图展示了特征偏移从发生到影响业务决策的完整传导链路：
⚠️ 关键认知：特征偏移是模型性能衰减的 先行指标，而非滞后指标。当模型 AUC 或 KS 开始下降时，特征偏移往往已经持续了数天甚至数周。建立 PSI 实时监控体系，是风控团队争取主动调优时间的最有效手段。