1. 课程导论：金融知识图谱样本偏差校验
1.1 金融知识图谱概述
金融知识图谱（Financial Knowledge Graph, FKG）是一种基于图结构的知识工程方法，将金融实体（公司、产品、高管、事件）及其关系（控股、担保、关联交易、诉讼）组织为节点-边-属性的三元组网络。与传统关系型数据库相比，FKG 具备更强的语义推理能力和跨实体关联挖掘能力。
| 对比维度 | 传统数据库 | 金融知识图谱 |
|---|---|---|
| 数据模型 | 表结构 + 外键 | 图结构（节点 + 边 + 属性） |
| 查询方式 | SQL 精确匹配 | 图遍历 + 路径推理 |
| 关系深度 | 通常 1~2 层 JOIN | 支持 5+ 层关联穿透 |
| 典型应用 | 报表统计、交易流水 | 关联风险传导、实控人挖掘 |
核心价值：FKG 将碎片化的金融数据转化为可计算、可推理的知识网络，是智能风控与量化投研的基础设施。
1.2 样本偏差的定义与危害
样本偏差（Sample Bias） 是指知识图谱中用于建模、训练或推理的样本集合，在分布、覆盖或标注上偏离真实金融场景的现象。在金融图谱场景下，偏差通常表现为以下四种类型：
- 选择偏差（Selection Bias）： 仅收录上市公司而忽略非上市主体，导致图谱对中小微企业覆盖严重不足。
- 幸存者偏差（Survivorship Bias）： 只保留当前存续实体，剔除已退市、破产或注销的节点，使风险模型低估违约概率。
- 标注偏差（Labeling Bias）： 人工标注的关系（如“实际控制人”）受标注者主观判断影响，不同标注员一致性低。
- 时间窗口偏差（Temporal Bias）： 图谱数据集中在近 3 年，早期历史事件缺失，导致时序推理模型过拟合近期模式。
| 偏差类型 | 典型表现 | 量化指标示例 |
|---|---|---|
| 选择偏差 | 图谱中上市公司占比 > 80%，实际市场占比 < 5% | 覆盖率 = 图谱实体数 / 全市场实体数 |
| 幸存者偏差 | 违约样本占比 < 0.5%，真实违约率约 2%~5% | 违约样本占比偏差 = |图谱违约率 - 真实违约率| |
| 标注偏差 | 同一关系对在不同标注员间一致性 < 70% | Cohen's Kappa 系数 < 0.6 |
| 时间窗口偏差 | 图谱 80% 边集中在最近 3 年 | 时间覆盖熵 < 0.3（均匀分布为 1.0） |
⚠ 危害警示：样本偏差直接导致图谱推理结果失真。在风控场景中，偏差会使坏账率预测偏低 30%~60%；在投研场景中，偏差会导致因子回测过拟合，实盘策略夏普比率下降 0.5~1.0。
1.3 偏差校验在风控与投研中的重要性
偏差校验不是一次性的数据清洗动作，而是贯穿图谱构建、模型训练、推理部署全生命周期的质量保障机制。以下从风控和投研两个核心场景说明其关键作用：
1.3.1 风控场景
- 反欺诈团伙识别： 若图谱中缺失大量空壳公司节点，则实控人关联网络断裂，无法识别“法人代表集中”的欺诈团伙。
- 信用评分卡： 幸存者偏差导致违约样本过少，评分卡对尾部风险的区分度下降，KS 值可能从 0.45 降至 0.25。
- 供应链风险传导： 选择偏差使中小供应商节点缺失，无法准确模拟风险沿供应链传播的路径与速度。
1.3.2 投研场景
- 因子有效性检验： 时间窗口偏差使因子在回测区间表现优异，但在跨周期验证中失效，IC 值衰减超过 50%。
- 关联事件驱动策略： 标注偏差导致“高管减持”“股权质押”等事件关系错误，策略信号噪音比上升。
- 行业轮动分析： 选择偏差使图谱中新兴行业（如生物科技）节点稀疏，轮动模型无法捕捉早期信号。
实践要点：建议在知识图谱构建初期就建立偏差校验基线（Baseline），包括覆盖率、分布熵、标注一致性等指标。后续每轮图谱更新后自动触发校验流水线，确保偏差水平始终在可接受阈值内。