1. PSI 概念与起源：群体稳定性指标
1.1 什么是群体稳定性指标（PSI）
群体稳定性指标（Population Stability Index，PSI） 是衡量两个样本群体在特征分布上差异程度的统计量。在金融风控领域，PSI 被广泛用于监控模型评分、客户特征或风险分布的跨时间稳定性，是模型生命周期管理中最重要的量化工具之一。
PSI 的核心思想来源于信息论中的 Kullback-Leibler 散度（KL 散度），用于衡量两个概率分布之间的相对熵。当 PSI 值较小时，说明两个群体的分布高度一致；当 PSI 值超过一定阈值时，则提示群体结构发生了显著偏移，可能触发模型失效风险。
核心公式：
PSI = Σ (P_i - Q_i) × ln(P_i / Q_i)其中：
P_i = 实际群体在第 i 个分箱中的样本占比
Q_i = 基准群体在第 i 个分箱中的样本占比
1.2 统计学背景：从 KL 散度到 PSI
PSI 的数学根基建立在 信息熵 与 相对熵 之上。下表清晰展示了 PSI 与 KL 散度的关系：
| 概念 | 定义 | 与 PSI 的关系 |
|---|---|---|
| KL 散度 | DKL(P||Q) = Σ P_i × ln(P_i / Q_i) | PSI 是 KL 散度的对称化形式 |
| PSI | Σ (P_i - Q_i) × ln(P_i / Q_i) | 同时考虑 P→Q 和 Q→P 两个方向 |
| 对称性 | KL 散度非对称：DKL(P||Q) ≠ DKL(Q||P) | PSI 具有对称性，更适合工程应用 |
| 取值范围 | [0, +∞) | 值越大，分布差异越大 |
为什么风控选择 PSI 而非 KL 散度？ 因为 PSI 的对称性使得基准群体和实际群体互换时结果不变，避免了在模型监控中因方向选择导致的歧义。同时 PSI 对分布差异的敏感度适中，不易被极端值过度影响。
1.3 PSI 在风控模型中的核心作用
在信贷风控、反欺诈、客户评级等场景中，模型通常基于历史数据训练，但部署后面对的却是不断变化的市场环境和客户群体。PSI 承担以下关键职能：
- 模型稳定性监控： 定期计算模型评分或关键特征的 PSI，判断模型是否仍适用于当前客群。
- 早期风险预警： 在模型性能明显下降之前，PSI 的持续上升可提前提示风险。
- 特征漂移检测： 对每个入模特征单独计算 PSI，定位导致模型失效的具体变量。
- 压力测试基准： 在压力情景下，PSI 用于量化客群结构变化的剧烈程度。
- 模型迭代决策： 当 PSI 超过阈值时，触发模型重训或校准流程。
1.4 PSI 阈值设定的行业惯例
在金融风控实践中，PSI 的阈值通常根据经验法则和监管要求设定。以下为行业通用参考标准：
| PSI 范围 | 稳定性判断 | 建议行动 |
|---|---|---|
| PSI < 0.10 | 群体稳定，无显著偏移 | 继续常规监控，无需干预 |
| 0.10 ≤ PSI < 0.25 | 轻度偏移，需关注 | 加强监控频率，分析偏移原因 |
| PSI ≥ 0.25 | 显著偏移，高风险 | 立即触发预警，启动模型重训或校准 |
注意： 阈值并非一成不变。在压力测试场景下，监管机构可能要求更严格的阈值（如 PSI < 0.05 为稳定）。同时，不同模型类型（如申请评分卡、行为评分卡、反欺诈模型）的阈值需根据业务敏感度单独校准。
1.5 PSI 的计算步骤
实际计算 PSI 时，通常遵循以下标准化流程：
- 分箱处理： 将基准群体和实际群体的评分或特征值划分为 K 个等宽或等频区间。
- 计算占比： 分别统计每个区间内两个群体的样本占比 P_i 和 Q_i。
- 处理零值： 若某区间占比为 0，则用极小值（如 0.0001）替代，避免对数计算异常。
- 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 PSI 值。
1.6 PSI 的局限性与注意事项
- 分箱敏感性： 不同的分箱策略（等宽 vs 等频、分箱数量）可能导致 PSI 值差异，需统一标准。
- 无法区分偏移方向： PSI 只反映分布差异大小，不指示评分是变高还是变低，需结合其他指标（如均值漂移）综合判断。
- 对极端值敏感： 当某区间占比极小时，对数项可能放大误差，建议使用平滑处理。
- 不适用于小样本： 当样本量不足时，PSI 的统计稳定性下降，建议结合置信区间使用。
最佳实践： 在风控模型监控中，建议同时监控 PSI 和模型性能指标（如 KS、AUC、Gini），形成多维度的稳定性评估体系。PSI 作为前置预警信号，性能指标作为最终决策依据。