3. 样本偏差理论基础：选择偏差、幸存者偏差、标签偏差、测量偏差的定义与金融场景示例
在金融图谱构建与模型训练中，样本偏差是导致模型失效、预测失准的核心根源。本章系统梳理四种最常见的偏差类型，结合金融场景说明其成因与影响，为后续偏差校验与修正奠定理论基础。
3.1 偏差类型总览
| 偏差类型 | 核心定义 | 金融场景典型表现 | 对模型的影响 |
|---|---|---|---|
| 选择偏差 | 样本非随机选取，导致子集不能代表总体 | 仅用上市企业数据训练信用模型，忽略非上市企业 | 高估模型泛化能力，对未覆盖群体失效 |
| 幸存者偏差 | 只关注“幸存”个体，忽略已淘汰样本 | 仅分析现存基金业绩，忽略已清盘基金 | 夸大策略收益，低估真实风险 |
| 标签偏差 | 标签定义错误、不一致或包含噪声 | 逾期30天与90天混标为“违约” | 模型学习错误映射，预测目标偏离业务真实定义 |
| 测量偏差 | 特征或标签的测量方式存在系统误差 | 不同数据源对“收入”字段统计口径不一致 | 特征分布偏移，模型稳定性下降 |
3.2 选择偏差（Selection Bias）
定义：样本选取过程非随机，导致样本分布与目标总体分布之间存在系统性差异。
金融场景示例：
- 信贷风控：仅使用“已获批贷款用户”的数据训练违约预测模型，完全排除“被拒贷用户”。模型无法学习被拒群体的违约特征，导致对新增申请人的评估产生偏移。
- 股票因子研究：只选取当前仍在交易的大市值股票回测因子，忽略已退市或停牌股票，造成因子有效性被高估。
关键认知：选择偏差的本质是“样本过滤规则”与“目标分布”不匹配。在金融图谱中，节点和边的采样策略必须显式记录，否则偏差会沿图谱传播至下游模型。
3.3 幸存者偏差（Survivorship Bias）
定义：只关注经过某种筛选过程后“存活”下来的个体，忽略因不满足条件而消失的个体，导致结论被扭曲。
金融场景示例：
- 基金业绩评价：分析“成立超过5年的基金”年化收益率，忽略已清盘或合并的基金。幸存基金的平均收益率显著高于真实全样本，误导投资者。
- 量化策略回测：仅保留历史回测中表现最好的参数组合，丢弃失效参数，造成策略过拟合且实盘失效。
实践警示：在金融图谱中构建“企业-事件”关系时，破产、退市、违约等负面事件节点极易被遗漏。必须主动纳入“消亡实体”的完整时间线，否则图谱呈现的关系网络将严重失真。
3.4 标签偏差（Label Bias）
定义：监督学习中的标签因定义模糊、标注不一致、标注错误或延迟确认等原因，与真实目标产生偏离。
金融场景示例：
- 违约定义不一致：机构A将“逾期60天”标为违约，机构B将“逾期90天”标为违约。合并数据训练时，模型学到的是混乱的边界。
- 动态标签滞后：以“当前是否违约”作为标签训练模型，但用户可能在标注后第2天违约，标签未及时更新，模型学到的是过时的状态。
图谱视角：标签偏差在知识图谱中表现为“实体属性值错误”或“关系类型误标”。例如将“担保关系”误标为“股权投资关系”，会直接扭曲上下游风险传导路径。
3.5 测量偏差（Measurement Bias）
定义：特征或标签的采集方式、测量工具、统计口径存在系统误差，导致观测值与真实值之间产生固定偏移。
金融场景示例：
- 收入字段口径差异：数据源A统计“税前收入”，数据源B统计“税后收入”，数据源C统计“含奖金总收入”。直接拼接后，模型无法区分收入差异是真实能力还是口径导致。
- 估值方法不同：同一笔非标资产，成本法估值与市场法估值结果可能相差20%以上。用不同估值方法的数据训练估值模型，会引入系统性偏差。
3.6 四种偏差的关联与区分
3.7 偏差校验的切入点
在金融图谱样本偏差校验实践中，针对四种偏差的校验策略各有侧重：
- 选择偏差校验：对比样本与总体的分布差异（KS检验、PSI），检查采样覆盖率。
- 幸存者偏差校验：追溯历史全量数据，计算“消亡实体”占比，评估遗漏程度。
- 标签偏差校验：抽样人工复核，计算标注一致性（Kappa系数），检查标签定义文档。
- 测量偏差校验：多数据源交叉验证，分析特征分布的时间稳定性与口径差异。