4. 样本偏差定义：选择偏差、幸存者偏差、标签偏差、时间偏差、分布漂移
在金融风控图谱与 Feature Store 的实践中，样本偏差是导致模型上线后效果急剧下降的核心原因之一。偏差并非单一来源，而是贯穿数据采集、标注、时间窗口与分布演变的多个环节。本节系统定义五种最常见的样本偏差类型，并给出金融场景下的典型表现与校验思路。
4.1 偏差类型总览
| 偏差类型 | 核心定义 | 金融场景典型表现 | 校验方向 |
|---|---|---|---|
| 选择偏差 | 样本选取过程非随机，导致样本分布与总体分布不一致 | 仅使用有征信记录的用户建模，忽略白户群体 | 对比样本与总体的关键特征分布 |
| 幸存者偏差 | 只关注“存活”或“通过”的样本，忽略已淘汰或流失的样本 | 仅用历史放款成功的客户训练催收模型 | 追溯全量申请/交易链路，包含拒绝与流失 |
| 标签偏差 | 标签定义、采集或映射过程存在系统性错误 | 逾期标签仅依赖银行上报，忽略民间借贷多头 | 标签溯源与交叉验证 |
| 时间偏差 | 训练集与测试集/线上环境的时间窗口不一致 | 用疫情前数据训练，疫情后上线导致客群行为突变 | 时间切片分布对比与滚动窗口验证 |
| 分布漂移 | 特征或标签的统计分布在训练与推理阶段发生变化 | 收入特征均值从 8k 漂移至 12k，模型阈值失效 | PSI / KS 监控与特征级漂移检测 |
核心原则： 五种偏差往往叠加出现。例如，仅用“通过客户”建模（幸存者偏差）同时会引入时间窗口截断（时间偏差），导致分布漂移被低估。Feature Store 的样本校验必须覆盖全链路。
4.2 选择偏差（Selection Bias）
选择偏差发生在样本采集阶段。当样本的选取过程与目标变量存在关联时，模型学到的规律将偏离真实总体。在金融图谱中，常见于以下场景：
- 渠道过滤： 仅从线上渠道获取样本，忽略线下客群，导致年龄、收入分布偏移。
- 特征缺失过滤： 仅保留图谱特征完整的样本，缺失率高的用户被剔除，而这些用户往往是信用风险更高的群体。
- 主动筛选： 风控策略拒绝了一批高风险用户，建模时只使用通过用户，导致模型低估真实坏账率。
校验方法： 在 Feature Store 中维护“全量样本画像”，对比建模样本与全量样本在年龄、收入、图谱度数、关联机构数等关键特征上的分布差异。使用 Kolmogorov-Smirnov 检验或 Population Stability Index 量化偏差程度。
4.3 幸存者偏差（Survivorship Bias）
幸存者偏差是金融风控中最隐蔽的偏差之一。模型只观察到“活下来”的样本，而“死亡”的样本被系统性排除在训练集之外。典型表现：
- 贷后模型： 仅用当前仍在还款的客户训练催收模型，已核销或失联客户被剔除。
- 图谱关联分析： 仅分析成功放款客户的社交网络，忽略被拒客户的关联模式。
- 反欺诈模型： 仅用历史确认欺诈的样本训练，大量未确认但实际欺诈的样本被当作正常样本。
避坑提示： 幸存者偏差会导致模型在线上遇到“非幸存者”时完全失效。Feature Store 必须保留完整的申请/交易生命周期状态，包括拒绝、核销、失联等标签，并在样本切分时确保“幸存”与“非幸存”样本的比例与真实业务一致。
4.4 标签偏差（Label Bias）
标签偏差源于标签的定义、采集或映射过程。金融场景中标签往往不是客观事实，而是人为定义或系统记录的结果。常见类型：
| 子类型 | 描述 | 金融案例 |
|---|---|---|
| 定义偏差 | 标签的业务定义与模型目标不一致 | 将“逾期 30 天”定义为坏样本，但实际损失集中在 90 天以上 |
| 采集偏差 | 标签数据源存在系统性缺失或错误 | 多头借贷数据仅覆盖部分机构，导致标签稀疏 |
| 映射偏差 | 从原始数据到标签的转换逻辑有误 | 将“催收标记为联系不上”映射为“失联”，但实际是号码变更 |
| 时效偏差 | 标签采集时间与特征时间不匹配 | 用 T 月的特征预测 T+3 月的逾期，但标签只到 T+1 月 |
校验方法： 在 Feature Store 中建立标签血缘追踪，记录每个标签的原始数据源、映射规则、时间戳。定期抽样进行人工复核，计算标签一致性率。对于图谱标签（如“关联黑名单机构数”），需验证图谱更新频率与标签生成时间是否对齐。
4.5 时间偏差（Temporal Bias）
时间偏差是时间序列建模中最容易被忽视的偏差。金融数据具有强时间依赖性，训练集与测试集/线上环境的时间窗口不一致会导致模型失效。具体表现：
- 窗口截断： 训练集只包含 2023 年数据，但线上环境已进入 2024 年，客群行为、政策环境发生变化。
- 时间泄漏： 使用未来信息构造特征，例如用 T+1 月的图谱关系预测 T 月的风险。
- 季节性偏差： 训练集只包含 Q1 数据，但线上环境包含全年，节假日效应未被学习。
- 事件冲击： 训练集未包含疫情、监管政策调整等外部事件，线上环境遭遇后模型崩溃。
校验方法： 在 Feature Store 中强制要求每个样本携带时间戳。使用时间序列交叉验证（Time Series Split）替代随机交叉验证。计算训练集与测试集在时间维度上的特征分布漂移，重点关注宏观指标（如 GDP、失业率）与图谱指标（如平均关联机构数）的时间趋势。
4.6 分布漂移（Distribution Drift）
分布漂移是模型上线后最常被监控的偏差类型。它指特征或标签的统计分布在训练阶段与推理阶段之间发生变化。在金融图谱 Feature Store 中，分布漂移可分为三类：
| 漂移类型 | 定义 | 金融图谱示例 | 检测指标 |
|---|---|---|---|
| 特征漂移 | 特征分布发生变化 | 图谱中“平均关联机构数”从 3.2 上升至 5.8 | PSI > 0.1 或 KS > 0.2 |
| 标签漂移 | 标签分布发生变化 | 坏账率从 2% 上升至 8% | 标签率变化 > 50% |
| 概念漂移 | 特征与标签的关系发生变化 | 过去“高关联度”代表高风险，现在代表正常社交 | 模型 AUC 持续下降 |
关键动作： Feature Store 必须内置分布漂移监控模块，对每个特征和标签计算 PSI（Population Stability Index），并设置告警阈值。当 PSI > 0.25 时，触发模型重训练或特征回滚。对于图谱特征，还需监控图结构指标（如平均聚类系数、网络密度）的漂移。
4.7 偏差关系与校验流程
五种偏差并非孤立存在，它们之间存在因果关系和叠加效应。下图展示了偏差在金融风控全链路中的产生位置与传递关系：
4.8 偏差校验清单
在 Feature Store 中实施样本偏差校验时，建议按以下清单逐项检查：
- 选择偏差校验： 对比建模样本与全量样本在 10+ 个关键特征上的分布，计算 PSI 和 KS 统计量。若 PSI > 0.1，标记为偏差风险。
- 幸存者偏差校验： 追溯全量申请/交易链路，统计“幸存”与“非幸存”样本的比例。确保训练集中两类样本的比例与业务真实比例一致。
- 标签偏差校验： 对每个标签建立血缘追踪，记录原始数据源、映射规则、时间戳。抽样 1000 条进行人工复核，计算标签一致性率。
- 时间偏差校验： 使用时间序列交叉验证，计算训练集与测试集在时间维度上的特征分布漂移。检查是否存在未来信息泄漏。
- 分布漂移校验： 在 Feature Store 中内置 PSI 监控模块，对每个特征和标签设置告警阈值。当 PSI > 0.25 时触发重训练。
实践建议： 将偏差校验结果写入 Feature Store 的元数据中，形成“样本质量报告”。每次模型训练前自动执行校验，若偏差超过阈值则阻断训练流程，要求数据工程师或风控分析师介入处理。这是金融风控模型稳定性的第一道防线。