一、KS指标的定义原理

• 背景
  • KS（Kolmogorov–Smirnov）原本用于检验样本分布与理论分布或两个样本分布是否一致。
  • 风控建模中，将“好样本”（Good）与“坏样本”（Bad）的模型输出概率看作两组经验分布，用KS度量它们的最大分离程度，从而评估模型的区分度。
• 数学本质
  • 令$F_{\text{bad}}(x)$与$F_{\text{good}}(x)$分别为坏、好样本在阈值$x$下的经验累积分布函数（ECDF），则
    $$\mathrm{KS}=\underset{x}{\max }|F_{\text{bad}}(x)-F_{\text{good}}(x)|$$
  • 直观上，KS 是两条累积分布曲线间的最大垂直距离，衡量“在某个阈值处，坏人被甄别出的累积比例”与“好人被误伤出的累积比例”之差。

二、KS计算流程

分箱（Binning）

• 可选等频、等距或基于分数段（如 decile、percentile、WOE 分箱）。
• 保证每个箱内样本量满足统计显著性。
  统计各箱好坏比
• 令箱$i$中：
  • $n_i$为总样本数，
  • $g_i$／$b_i$ 分别为好／坏样本数。
• 计算比率： $$r_i=\frac{n_i}{N},\delta g_i=\frac{g_i}{G},\delta b_i=\frac{b_i}{B},$$
  其中$N,G,B$分别为总体、好样本和坏样本总数。
  累积比率
• 按得分升序（或降序）累加：
  $$F_{\text{good},i}=\sum _{j\le i}\delta g_j,F_{\text{bad},i}=\sum _{j\le i}\delta b_j.$$
  KS值
• 计算每个箱的$|F_{\text{bad},i}-F_{\text{good},i}|$，取最大者即为该变量或模型的 KS：
  $$\mathrm{KS}=\underset{i}{\max }|F_{\text{bad},i}-F_{\text{good},i}|.$$
  业务解读
• 在最佳分隔点（最大KS对应的分数阈值）处，坏样本累积识别率与好样本累积误识率之差即为 KS，上限即模型区分度的“天花板”。

三、KS的几何意义

• 累积分布差异图（鱼眼图）

  • 横轴：阈值；纵轴：累积百分比。
  • 两条曲线分别为$F_{\text{bad}}(x)$（虚）与$F_{\text{good}}(x)$（实），两者差值（红）即 KS 曲线。
    

• 直观感受

  • 当两条分布曲线重叠时，KS→0；当完全分离时，KS→1。
  • 最大距离处的“鱼眼”最宽，代表最优的坏／好样本分隔效果。

四、KS在互联网风控模型中的应用价值

1. 样本极度不均衡
   • 风控中好坏比常为 100∶1 甚至更低，传统准确率难以反映模型性能；KS 不受类别不平衡影响，更能捕捉排序能力。
2. 连续性与模糊边界
   • 信用、欺诈均属于连续风险，KS 基于概率分布差异判断，契合业务定义的“软边界”概念。
3. 策略制定
   • KS 最优阈值可作为放贷／拒贷策略的参考切点（需进一步权衡通过率与坏账率）。
4. 风控监控
   • 随时间和策略变化，监控 KS 的波动，可预警模型老化、数据漂移或信息泄露。
5. 优化思路
   • 变量筛选：剔除已被策略使用的“重复”信息；
   • 样本诊断：分析训练／验证集差异；
   • 特征工程：引入更具针对性的新变量（金融属性、短期负面信号）；
   • 分群建模：按客户群体分级建模，提高局部区隔能力；
   • Bad‑case 深挖：针对漏判与误判样本提取特征。

五、从几何角度看 KS 与 ROC 的关系

• 对应关系
  • 在 ROC 曲线中，横轴为 FPR（False Positive Rate，等同于$F_{\text{good}}(x)$），纵轴为 TPR（True Positive Rate，等同于$F_{\text{bad}}(x)$）。
  • KS 在某阈值处的差值即为 ROC 曲线上点$(\mathrm{FPR},\mathrm{TPR})$与对角线$y=x$间的垂直距离。
• 几何映射
  1. 在 ROC 图上，过对角线（随机模型）平行线的最大切线截距即为 KS。
  2. KS 越大，ROC 曲线离对角线越远，AUC（曲线下面积）一般也越高。
• 取舍与权衡
  • 某一阈值下，可能存在两个 KS 相同的点：一个在高 FPR／高 TPR 区，另一个在低 FPR／低 TPR 区。
  • 业务可根据对“坏人召回”与“好人误伤”侧重，选取对应阈值。
• 过高警示
  • KS >75% 时，ROC 曲线形态会异常凸出，往往伴随分布双峰、不合常理，需警惕过拟合或数据泄漏。
    

六、KS计算示例代码（Python）

import numpy as np
import pandas as pd
from scipy.stats import ks_2samp

def compute_ks(proba: np.ndarray, target: np.ndarray, n_bins: int = 50):
    """
    计算KS值及对应阈值。

    参数：
        proba (np.ndarray): 模型输出的正类概率数组，形状 (n_samples,)
        target (np.ndarray): 真实标签数组，取值 {0,1}，形状 (n_samples,)
        n_bins (int): 分箱数量，默认 50

    返回：
        ks_value (float): KS 统计量（最大差值）
        ks_cutoff (float): 达到 KS 最大值时的分数阈值
    """
    # 构造 DataFrame 便于分箱
    df = pd.DataFrame({'proba': proba, 'target': target})
    df['bin'] = pd.qcut(df['proba'], q=n_bins, duplicates='drop')

    # 统计各箱好坏样本数及累积比率
    grouped = df.groupby('bin').agg(
        total=('target', 'count'),
        bad=('target', 'sum')
    ).reset_index()
    grouped['good'] = grouped['total'] - grouped['bad']
    G = grouped['good'].sum()
    B = grouped['bad'].sum()
    grouped = grouped.sort_values('bin')
    grouped['cum_bad_rate'] = grouped['bad'].cumsum() / B
    grouped['cum_good_rate'] = grouped['good'].cumsum() / G

    # 计算KS及阈值
    grouped['ks'] = np.abs(grouped['cum_bad_rate'] - grouped['cum_good_rate'])
    idx = grouped['ks'].idxmax()
    ks_value = grouped.loc[idx, 'ks']
    # 取该箱上限作阈值
    ks_cutoff = grouped.loc[idx, 'bin'].right

    return ks_value, ks_cutoff

# 示例
if __name__ == '__main__':
    # 模拟数据
    y = np.random.binomial(1, 0.05, size=10000)
    scores = np.random.rand(10000) * (0.5 + 0.5 * y)  # 模拟分数与标签关联
    ks_val, ks_thr = compute_ks(scores, y)
    print(f'KS = {ks_val:.4f}, 最优阈值 = {ks_thr:.4f}')