3. PSI（群体稳定性指标）基础
群体稳定性指标（Population Stability Index, PSI）是风控模型监控中最核心的量化指标之一。它衡量的是模型评分或特征分布在两个时间窗口（通常为建模样本 vs. 当前样本）之间的偏移程度。当 PSI 超过一定阈值时，意味着模型赖以生存的数据分布已经发生显著变化，模型预测能力可能已经退化。
3.1 PSI 的数学定义与计算公式
PSI 的数学本质是 两个概率分布之间的散度度量，具体采用 信息论中的 KL 散度（Kullback-Leibler divergence）的对称化形式。其计算公式如下：
PSI = Σ (P_i - Q_i) * ln(P_i / Q_i)
其中：
- P_i = 第 i 个分箱中「实际样本」的占比（当前分布）
- Q_i = 第 i 个分箱中「预期样本」的占比（基准分布）
- i = 分箱序号，从 1 到 N（N 为总箱数）
- ln = 自然对数从公式可以看出，PSI 对每个分箱计算两个分布的相对偏差，然后按占比加权求和。当 P_i 与 Q_i 完全一致时，ln(P_i/Q_i) = 0，PSI = 0；差异越大，PSI 值越高。
关键理解： PSI 不是简单的百分比差异，而是对「分布形状变化」的敏感度量。即使总体均值不变，只要分布形状发生扭曲（如双峰变单峰），PSI 也会显著升高。
3.2 分箱方法：等距分箱 vs. 等频分箱
PSI 的计算依赖分箱操作。不同的分箱方法会直接影响 PSI 的数值和监控灵敏度。行业中最常用的两种分箱方法如下：
| 对比维度 | 等距分箱（Equal Width） | 等频分箱（Equal Frequency） |
|---|---|---|
| 分箱规则 | 将数值范围等分成固定宽度的区间 | 将样本按数量等分成每组样本数相近的区间 |
| 箱边界 | 固定数值边界（如 0-100, 100-200） | 基于分位数动态边界（如 20%, 40%, 60% 分位点） |
| 适用场景 | 评分卡分数、标准化指标、有明确物理意义的特征 | 分布严重偏态的特征、长尾数据、非均匀分布 |
| 优点 | 边界固定，跨时间可比性强；计算简单 | 每个箱都有足够样本，避免空箱或稀疏箱 |
| 缺点 | 数据稀疏时可能出现空箱或样本极少的箱 | 边界随分布变化而移动，跨时间可比性稍弱 |
| PSI 敏感性 | 对分布整体偏移更敏感 | 对分布尾部变化更敏感 |
实践建议： 在风控特征缺失监控场景中，推荐优先使用 等频分箱（通常分 10 箱）。因为特征缺失率往往呈现偏态分布（大部分样本缺失率低，少数样本缺失率高），等频分箱能保证每个箱都有足够的样本计算稳定占比，避免因空箱导致 PSI 计算异常。
3.3 PSI 计算流程（SVG 流程图）
下图展示了从原始特征数据到最终 PSI 值的完整计算链路：
3.4 PSI 阈值的行业标准
在金融风控领域，经过多年实践积累，PSI 的阈值判断已经形成了一套被广泛接受的行业标准。这些阈值并非绝对，但为监控决策提供了重要的参考基准：
| PSI 范围 | 稳定性等级 | 建议行动 | 监控频率 |
|---|---|---|---|
| PSI < 0.1 | 稳定（Stable） | 无需干预，继续常规监控 | 月度/季度 |
| 0.1 ≤ PSI < 0.25 | 轻度偏移（Slight Shift） | 发出预警，排查特征缺失/数据源变化原因 | 双周/月度 |
| PSI ≥ 0.25 | 显著偏移（Significant Shift） | 立即告警，启动模型复核/重训练流程 | 周度/日度 |
⚠️ 阈值使用注意事项：
- 特征缺失场景的特殊性： 当监控对象是「特征缺失率」时，PSI 阈值可适当放宽。因为缺失率本身波动性较大，建议将轻度偏移阈值调整为 0.15，显著偏移阈值调整为 0.3。
- 分箱数影响： 分箱数越多，PSI 对细微变化越敏感。使用 10 箱时上述阈值适用；若使用 20 箱，阈值可上调 20%-30%。
- 业务场景差异： 信贷审批模型通常采用上述标准；反欺诈模型因数据波动更大，阈值可上浮 50%。
3.5 PSI 与特征缺失监控的关系（SVG 架构图）
在风险网关特征缺失监控中，PSI 并非孤立使用，而是与缺失率统计、数据质量指标共同构成监控体系。下图展示了 PSI 在整体监控架构中的位置：
3.6 计算示例：手算 PSI
为了加深理解，下面给出一个简化的手算示例。假设某特征在建模样本（基准）和当前样本（实际）中各分 5 箱，数据如下：
| 分箱序号 | 基准占比 Q_i | 实际占比 P_i | P_i - Q_i | P_i / Q_i | ln(P_i / Q_i) | 单箱贡献 |
|---|---|---|---|---|---|---|
| 1 | 0.20 | 0.25 | 0.05 | 1.25 | 0.2231 | 0.0112 |
| 2 | 0.20 | 0.22 | 0.02 | 1.10 | 0.0953 | 0.0019 |
| 3 | 0.20 | 0.18 | -0.02 | 0.90 | -0.1054 | 0.0021 |
| 4 | 0.20 | 0.15 | -0.05 | 0.75 | -0.2877 | 0.0144 |
| 5 | 0.20 | 0.20 | 0.00 | 1.00 | 0.0000 | 0.0000 |
| PSI 合计 | 0.0296 | |||||
计算得到 PSI = 0.0296，远小于 0.1，说明该特征分布非常稳定，无需干预。
💡 核心记忆点： PSI 是风控监控的「体温计」—— 0.1 以下正常，0.1~0.25 低烧预警，0.25 以上高烧告警。在特征缺失监控中，PSI 能敏锐捕捉到缺失率分布的结构性变化，是判断数据质量是否恶化的第一道防线。