1. PSI 概念与业务背景
1.1 什么是 PSI（群体稳定性指标）
群体稳定性指标（Population Stability Index，PSI） 是衡量两个样本分布之间差异程度的统计量。在风控场景中，PSI 用于量化模型评分或特征分布在 时间维度 上的变化幅度，从而判断模型或特征是否保持稳定。
PSI 的计算基于 分箱（Binning） 思想，将连续变量或概率值划分为若干区间，比较每个区间内样本占比的变化。其数学公式如下：
PSI = Σ (Actual_i - Expected_i) × ln(Actual_i / Expected_i)
其中：
- Expected_i = 基准期（如建模样本）在第 i 个分箱中的占比
- Actual_i = 监测期（如线上实时数据）在第 i 个分箱中的占比
- i = 1, 2, ..., n（n 为分箱总数）PSI 值越小，说明两个分布越接近，特征或模型越稳定；PSI 值越大，说明分布偏移越严重，需要引起警惕。
关键理解： PSI 本质上是一种 分布距离度量，与 KL 散度（Kullback-Leibler divergence）有密切关系。当 PSI < 0.1 时，通常认为分布无显著变化；0.1 ≤ PSI < 0.25 时，需关注；PSI ≥ 0.25 时，表示分布发生重大偏移。
1.2 PSI 在风控中的核心价值
在信贷风控、反欺诈、交易监控等场景中，模型和特征的稳定性直接关系到决策的可靠性。PSI 的核心价值体现在以下四个方面：
| 价值维度 | 具体说明 | 业务影响 |
|---|---|---|
| 模型监控 | 定期计算模型评分 PSI，判断模型是否因客群迁移、经济周期变化而失效 | 避免模型退化导致坏账率飙升或拒绝优质客户 |
| 特征稳定性 | 对每个入模特征计算 PSI，识别哪些特征分布发生偏移 | 定位不稳定特征，指导特征工程或模型重建 |
| 数据质量校验 | PSI 突变可能暗示数据采集异常、上游系统变更或埋点错误 | 快速发现数据链路问题，减少决策噪声 |
| 策略调优依据 | 当 PSI 超过阈值时，触发策略回退或阈值调整，保持风控效果 | 实现自适应风控，降低人工干预成本 |
实战经验： 在头部消费金融公司，模型 PSI 被列为 每日必看指标。一旦 PSI 超过 0.15，风控团队会立即启动根因分析，通常能在 2 小时内定位到具体特征或数据源问题。
1.3 为什么需要实时计算 PSI
传统风控系统中，PSI 通常以 T+1 或 T+7 的离线方式计算，即次日或次周才能看到分布变化。这种模式在以下场景中存在明显不足：
- 时效性滞后： 离线计算无法捕捉日内突发性分布偏移，例如营销活动、系统故障、外部事件冲击等。
- 风险暴露窗口长： 从分布偏移发生到被发现，可能已经过去数小时甚至数天，期间大量决策基于已偏移的模型或特征。
- 无法联动实时决策： 离线 PSI 只能作为事后分析工具，无法直接触发实时策略调整或告警。
实时 PSI 计算 将上述流程从离线拉入在线，核心优势包括：
- 秒级感知分布变化： 每 5 分钟或每 10 分钟计算一次 PSI，第一时间发现异常。
- 实时告警与阻断： 当 PSI 超过阈值时，自动触发告警、降级或切换备用模型。
- 动态策略调整： 根据实时 PSI 动态调整评分卡阈值、拒绝规则或特征权重。
- 全链路可观测： 结合实时特征 PSI 和模型 PSI，构建从数据到决策的稳定性监控体系。
注意： 实时 PSI 计算并非简单地将离线代码搬到流式引擎。它需要解决 基准分布存储与更新、滑动窗口分箱统计、计算性能优化 等工程挑战。本课程后续章节将逐一深入讲解这些技术细节。
1.4 实时 PSI 的典型应用场景
| 场景 | 实时 PSI 作用 | 典型阈值 |
|---|---|---|
| 信贷审批模型监控 | 监测评分卡输出分布是否因客群变化而偏移 | PSI ≥ 0.1 告警，≥ 0.25 切换备用模型 |
| 反欺诈特征稳定性 | 实时追踪设备指纹、IP 归属地等特征的分布变化 | PSI ≥ 0.15 触发特征降级 |
| 交易风控策略 | 监测交易金额、频次等特征的日内分布漂移 | PSI ≥ 0.2 自动收紧策略 |
| 数据质量监控 | 发现字段缺失率、默认值占比的突然变化 | PSI ≥ 0.3 触发数据链路排查 |
通过以上分析可以看出，实时 PSI 计算 是风控系统从“事后分析”走向“实时干预”的关键技术之一。本课程将从原理、架构、代码实现到生产部署，完整覆盖实时 PSI 的落地全流程。