編輯導語：風險控制在金融行業裡非常重要，一個穩定運行的系統也很重要；金融行業觸及到的風險會造成很大損失，穩定性對於風控管理來說尤為重要；本文作者分享了關於在金融行業中，一個好用的系統穩定指標是什麼。
在金融行業裡，大家對於系統穩定運行比精準運行，更迫切的需求；這也是為什麼位於國內四大行之首的工商銀行，後臺業務系統還是多年沒升級；原因之一是考慮到系統需要穩定運行——在風險管理上，對於穩定性的監控也十分重要，在這之上才會考慮風險的精準識別，以及差異化客群風險定價。
衡量穩定度的量化指標有很多，其中最好用也最容易理解的是PSI指標。
PSI是Population Stability Index的簡稱，最早運用於評估評分模型的穩定性。
對於大多數金融風控從業者，對於PSI指標的認識還是源於評分模型，也止於評分模型；其實，PSI指標在風控策略、產品利率等多方面也有應用。
PSI的計算公式=SUM（Actual % – Expected %）*LN（Actual % / Expected %）
從PSI公式中可以看出，它本質是反應實際情況與預測期望之間的差異化程度；差異化程度越大，對於模型穩定性越差，反之越強。
以評分模型穩定性為例，我為讀者朋友們解析下PSI的計算邏輯：
上圖示例1中將評分分數等頻分為10等級，觀測記錄2018年11月28日之後每周不同評分等級客戶申請進件比例。
在計算模型PSI之前，需要設定與評分等級對應的基準分段，本例中基準分段標準：以建模時通過單的十等分的閾值，對建模取數期間所有申請進行分組，並計算每組數量的佔比。
上圖示例2中，以2018年11月28日第一行第二列為例，基準分段為7.83%的2018年11月28日
PSI：0.0032122029230877=（6.33%-7.83%）*LN（6.33%/7.83%）。
同理計算出2018年11月28日其他分段的PSI，最終2018年11月28日模型PSI=各分段PSI之和。
PSI在模型中的應用主要體現在兩個方面，一個是單變量的PSI，一個是模型分數的PSI，上圖示例1-3展示的是模型分數的PSI；一次模型的迭代更新，在部署時往往會耗費大量的時間。
為了避免經常性迭代模型，在建模的時候就必須保證模型的穩定性；因此在建模過程中，常常會按時間段切分樣本並計算各個變量的PSI（或建模樣本與時段外驗證集之間的PSI），以篩除那些隨時間推移波動特別大的變量。
除此之外，在對模型進行監控時，對穩定性的監控也是必不可少的，需要及時監控是否有客群發生偏移的情況，找到發生偏移的原因並確定是否需要調整模型或者策略。
首先需要監控的是不同時間區間內模型分數的穩定性，如果發現模型總分的PSI較高，則需要通過計算每個入模變量的PSI來尋找原因，發現是哪一個變量導致的分數不穩定後，則需要根據這個變量的特徵來調整策略；或如果認為這種波動性會持續下去的話，需要考慮是否將這個變量剔除在模型之外。
PSI作為穩定性度量指標，不僅可以運用於模型中，仍然可以風控策略中發揮作用；在策略A類和D類調優中，我們往往通過觀測不同時間節點或時間跨度內規則節點的波動差，來確定主要引起通過率下降和逾期率上升的一個或多個核心規則，進一步確認策略調優閾值方案。
波動差與之對應的即是穩定度，波動越大，PSI越大，表示規則影響風險往不穩定方向發生；在之前的「審批通過率突然下降應該如何應對」章節中有解釋運用PSI判斷節點主次要拒絕影響。
上圖示例4中運用PSI=（B-A）*LN（B/A）測算波動差，A節點的PSI為0.77%，B節點的PSI為0.01%，確定由A節點是導致通過率下降的核心策略節點。
穩定性對於風險管理尤為重要，如何科學的度量風險，確保風險定向發展，是我們風控從業者永遠研究的課題，與大家共勉之。
本文由 @FAL金科應用研院 原創發布於人人都是產品經理，未經許可，禁止轉載。
題圖來自 unsplash，基於 CC0 協議