2. PSI 数学原理与公式推导
群体稳定性指标（Population Stability Index, PSI）的核心在于量化两个概率分布之间的差异。在风控场景中，这两个分布通常代表同一评分卡在预期（开发/基准）样本与实际（当前/待测）样本上的分数分布。PSI 的数学基础源于信息论中的KL 散度，并与交叉熵有着紧密的联系。
2.1 PSI 的数学公式
PSI 的标准计算公式如下：
PSI = Σ (实际占比_i - 预期占比_i) * ln(实际占比_i / 预期占比_i)其中：
- i：代表第 i 个分数区间（通常将分数等频或等距划分为 10~20 个桶）。
- 预期占比_i：在开发样本中，落入第 i 个区间的样本数占总样本数的比例。
- 实际占比_i：在当前待测样本中，落入第 i 个区间的样本数占总样本数的比例。
计算要点：当某个区间的预期占比或实际占比为 0 时，会导致 ln(0) 或除以 0 的数学错误。实际处理中，通常会对占比进行平滑处理（如加一个极小值 ε = 1e-6），或直接将该区间合并到相邻区间。
2.2 与 KL 散度的关系
PSI 在数学上等价于对称化的 KL 散度。KL 散度（Kullback-Leibler Divergence）用于衡量两个概率分布 P 和 Q 之间的非对称差异：
KL(P || Q) = Σ P_i * ln(P_i / Q_i)
KL(Q || P) = Σ Q_i * ln(Q_i / P_i)将 PSI 公式展开，可以拆解为两个 KL 散度的和：
PSI = Σ (P_i - Q_i) * ln(P_i / Q_i)
= Σ P_i * ln(P_i / Q_i) - Σ Q_i * ln(P_i / Q_i)
= Σ P_i * ln(P_i / Q_i) + Σ Q_i * ln(Q_i / P_i)
= KL(P || Q) + KL(Q || P)因此，PSI 本质上是 KL 散度的对称版本，它同时衡量了从实际分布到预期分布、以及从预期分布到实际分布的信息损失。这种对称性使得 PSI 在风控监控中比单向的 KL 散度更稳定、更直观。
关键区别：KL 散度是非对称的（KL(P||Q) ≠ KL(Q||P)），而 PSI 通过对称化处理，消除了方向性偏差，更适合作为“距离”度量来监控模型稳定性。
2.3 与交叉熵的对比
交叉熵（Cross-Entropy）同样源于信息论，用于衡量两个分布之间的差异。下表详细对比了三者的核心差异：
| 指标 | 数学形式 | 对称性 | 取值范围 | 风控应用场景 |
|---|---|---|---|---|
| PSI | Σ (P-Q) * ln(P/Q) | 对称 | [0, +∞) | 评分卡分数分布稳定性监控 |
| KL 散度 | Σ P * ln(P/Q) | 非对称 | [0, +∞) | 特征重要性排序、分布差异诊断 |
| 交叉熵 | -Σ P * ln(Q) | 非对称 | [0, +∞) | 模型损失函数（如逻辑回归、神经网络） |
从公式上看，交叉熵与 KL 散度存在直接关系：
H(P, Q) = -Σ P_i * ln(Q_i)
KL(P || Q) = H(P, Q) - H(P)其中 H(P) 是分布 P 的熵。交叉熵等于 KL 散度加上分布 P 的熵。在模型训练中，最小化交叉熵等价于最小化 KL 散度（因为 H(P) 是常数）。
实践误区：不要将 PSI 与交叉熵混用。PSI 专门用于分布偏移监控，而交叉熵通常作为模型训练的目标函数。在压力测试复盘时，PSI 用于判断模型是否失效，交叉熵则用于评估模型预测的置信度。
2.4 数学关系结构图
下图展示了 PSI、KL 散度与交叉熵之间的数学推导关系：
2.5 PSI 计算流程
在实际风控系统中，PSI 的计算遵循以下标准流程：
- 分箱处理：将评分卡分数范围（如 300~900 分）等频或等距划分为 K 个区间（通常 K=10）。
- 计算预期占比：统计开发样本中每个区间的样本数，除以总样本数，得到 Q_i。
- 计算实际占比：统计当前待测样本中每个区间的样本数，除以总样本数，得到 P_i。
- 平滑处理：若 P_i 或 Q_i 为 0，则替换为极小值（如 1e-6）。
- 逐区间计算：对每个区间计算 (P_i - Q_i) * ln(P_i / Q_i)。
- 求和：将所有区间的结果累加，得到最终的 PSI 值。
行业经验阈值：
- PSI < 0.1：分布稳定，模型无需调整。
- 0.1 ≤ PSI < 0.25：轻度偏移，需进一步监控特征变化。
- PSI ≥ 0.25：显著偏移，模型可能失效，需立即复盘并考虑重建。
2.6 公式推导的直观理解
从信息论角度理解 PSI 公式：
- ln(实际占比/预期占比)：衡量每个区间上实际分布相对于预期分布的“信息量变化”。如果实际占比大于预期占比，该值为正；反之为负。
- (实际占比 - 预期占比)：作为权重，放大差异较大的区间对整体 PSI 的贡献。
- 求和：将所有区间的加权信息量变化汇总，得到整体分布偏移程度。
这种设计使得 PSI 对分布的整体形状变化（如均值偏移、方差变化、双峰出现）都非常敏感，是压力测试中监控模型稳定性的首选指标。