2. PSI 数学原理：公式推导与分箱策略
群体稳定性指标（Population Stability Index, PSI）是量化风控中衡量两个分布之间差异的核心统计量。其数学本质源于信息论中的 KL 散度（Kullback-Leibler divergence）的对称化变体。本章从公式推导出发，深入解析分箱策略对 PSI 值的敏感度影响。
2.1 PSI 计算公式推导
PSI 的计算基于将连续变量或离散变量划分为 k 个箱（bins），然后比较每个箱中实际分布（Actual）与预期分布（Expected）的占比差异。标准计算公式如下：
PSI = Σ (Actual_i - Expected_i) * ln(Actual_i / Expected_i)
其中：
- Actual_i = 第 i 个箱中实际样本数 / 总实际样本数
- Expected_i = 第 i 个箱中预期样本数 / 总预期样本数
- i = 1, 2, ..., k（箱总数）推导逻辑：该公式可拆解为两个 KL 散度的平均值，即 PSI = D_KL(Actual || Expected) + D_KL(Expected || Actual)。这种对称化处理使得 PSI 对分布的双向偏移都敏感，避免了单一 KL 散度的非对称性问题。
关键阈值：
- PSI < 0.10：分布稳定，无需干预。
- 0.10 ≤ PSI < 0.25：轻度偏移，需监控。
- PSI ≥ 0.25：显著偏移，必须触发模型复审或压力测试。
2.2 分箱策略：等频 vs 等距
分箱是 PSI 计算的前置步骤，不同的分箱策略会显著改变每个箱的样本占比，进而影响 PSI 值。两种主流策略对比如下：
| 对比维度 | 等频分箱（Equal Frequency） | 等距分箱（Equal Width） |
|---|---|---|
| 定义 | 每个箱包含大致相同的样本数量 | 每个箱在数值轴上具有相同的区间宽度 |
| 适用场景 | 评分卡分数、概率预测值等分布不均匀的变量 | 年龄、收入等线性尺度变量，或分布均匀的数据 |
| 对 PSI 的影响 | 对分布尾部变化敏感；箱边界随分布偏移而移动 | 对分布中心变化敏感；可能产生空箱或极稀疏箱 |
| 稳定性 | 中等；箱边界需随预期分布重新计算 | 高；箱边界固定，便于跨时间对比 |
| 常见箱数 | 10 箱（默认）或 20 箱 | 10 箱或根据业务范围自定义 |
避坑提示： 等距分箱在数据分布严重偏斜时，可能导致大部分样本集中在少数几个箱中，其余箱样本占比接近 0%，造成 PSI 计算中的 ln(0) 错误。此时建议使用等频分箱，或对极端值进行截尾处理。
2.3 分箱策略对 PSI 值的敏感性分析
为了直观展示分箱策略的影响，考虑一个简单的数值示例：假设预期分布为均匀分布（0-100），实际分布向右偏移 10 个单位。分别使用等频和等距分箱（k=5）计算 PSI：
2.4 分箱策略选择建议
- 评分卡模型监控：优先使用等频分箱（通常 10 箱），因为评分卡分数分布往往偏斜，等频分箱能保证每个箱都有足够样本计算占比。
- 连续变量压力测试：若变量分布已知且稳定（如正态分布），等距分箱更便于解释箱边界含义。
- 混合策略：在自动化监控系统中，可同时计算两种分箱策略下的 PSI，取最大值作为预警信号，以覆盖不同偏移模式。
- 箱数选择：箱数过少（k < 5）会丢失分布细节；箱数过多（k > 20）会导致样本稀疏，PSI 方差增大。推荐 k=10 作为默认值。
实操建议： 在 Python 中实现 PSI 计算时，使用
pandas.qcut() 进行等频分箱，使用 pandas.cut() 进行等距分箱。务必在分箱前对预期分布和实际分布使用 相同的箱边界，否则 PSI 将失去可比性。