1. 样本偏差概述
1.1 样本偏差的定义
在金融特征平台中，样本偏差是指用于模型训练、验证或监控的样本分布与模型实际部署环境（生产环境）的真实数据分布之间存在系统性差异。这种差异会导致模型学习到的规律偏离真实业务场景，从而在线上推理时产生不可预期的性能下降。
核心公式： 若训练样本分布为 Ptrain(X, Y)，生产环境真实分布为 Pprod(X, Y)，则样本偏差定义为 D(Ptrain || Pprod) > 0，其中 D 为某种分布距离度量（如 KL 散度、JS 散度或 Wasserstein 距离）。
1.2 产生原因
金融特征平台中样本偏差的产生通常源于以下五个维度，每个维度在金融场景中都有其特定的表现形式：
| 偏差类型 | 金融场景典型原因 | 影响阶段 |
|---|---|---|
| 时间偏差 | 使用历史数据训练，但宏观经济、利率、政策已发生变化；模型未捕捉到最新客群行为迁移 | 训练 → 上线 |
| 选择偏差 | 仅使用通过审批的优质客户样本训练，拒绝样本（坏客户）被截断；导致模型低估风险 | 数据采集 |
| 生存偏差 | 只保留当前仍在活跃的客户，已流失、逾期或注销的客户被剔除；高估客户质量 | 数据清洗 |
| 采样偏差 | 为平衡正负样本比例，对少数类进行过采样或对多数类进行欠采样，改变了原始分布 | 特征工程 |
| 特征缺失偏差 | 线上部分特征因数据源延迟、接口超时或字段变更而缺失，训练时却使用完整特征 | 推理阶段 |
金融特征平台特有风险： 特征平台通常同时服务数十个模型，每个模型对偏差的敏感度不同。一个特征源的数据延迟可能同时污染多个模型的样本分布，产生级联偏差效应。
1.3 样本偏差对模型性能的潜在影响
样本偏差从三个层面侵蚀模型性能，且影响程度随偏差累积而放大：
- 预测精度下降： 模型在偏差样本上训练的决策边界与真实边界错位，导致 AUC、KS、LogLoss 等离线指标与线上指标出现显著倒挂（Offline-Online Gap）。
- 排序能力失真： 在信贷评分场景中，样本偏差会导致风险排序错误——原本低风险的客群被错误标记为高风险，反之亦然，直接影响授信决策和利率定价。
- 模型稳定性恶化： 偏差样本使模型对特征分布的微小波动过度敏感，PSI（群体稳定性指标）和 CSI（特征稳定性指标）在月度监控中频繁触发告警，模型被迫频繁重训甚至回滚。
下表总结了不同偏差类型对模型性能的具体影响路径：
| 偏差类型 | 受影响指标 | 典型表现 | 严重程度 |
|---|---|---|---|
| 时间偏差 | AUC、KS、PSI | 离线 AUC 0.82，线上 AUC 0.71，PSI > 0.25 | 高 |
| 选择偏差 | 坏账率低估、通过率虚高 | 模型预测违约率 2%，实际违约率 8% | 极高 |
| 生存偏差 | 客户生命周期价值高估 | 模型认为客户留存率 90%，实际仅 65% | 中 |
| 采样偏差 | 校准曲线偏移、概率失真 | 预测概率 0.5 的样本实际违约率 0.3 | 中高 |
| 特征缺失偏差 | 推理结果方差增大、异常值增多 | 线上 15% 样本因特征缺失触发默认值填充，评分波动 > 30% | 中 |
1.4 样本偏差在特征平台中的传播路径
下图展示了金融特征平台中样本偏差从数据源到模型推理的完整传播链路，帮助理解偏差如何在各环节累积和放大：
关键警示： 在金融特征平台中，样本偏差不是单一事件，而是一个系统性累积过程。数据源层的微小偏差经过特征计算、样本拼接、模型训练三个环节后，往往被放大 3-5 倍。特征平台工程师和模型团队必须建立联合监控机制，在偏差注入的早期阶段（特征平台层）就进行检测和干预，而非等到模型性能崩溃后再追溯。
1.5 偏差检测的紧迫性
根据金融风控行业实践，样本偏差导致的模型性能问题占所有模型失效原因的 40% 以上。在特征平台中，由于特征复用和批量计算的特点，一个未被检测到的偏差源可能同时影响 5-10 个下游模型。因此，建立系统化的样本偏差检测方法是保障金融模型可靠性的第一道防线。
行业基准： 头部金融科技公司要求特征平台对每个特征维度的 PSI 进行每日监控，当 PSI > 0.1 时触发黄色告警，PSI > 0.25 时触发红色告警并自动阻断模型推理。同时，每周执行一次全量样本的分布对齐检查，覆盖时间、选择、生存、采样和特征缺失五类偏差。