3. 样本偏差理论基础：统计学中的偏差类型
在金融知识图谱的构建与模型训练中，样本偏差是导致模型泛化能力下降的核心原因之一。本章从统计学视角系统梳理三种最常见的偏差类型，并分析它们如何破坏模型在真实金融场景中的表现。
3.1 选择偏差（Selection Bias）
选择偏差指样本选取过程非随机，导致样本分布与总体分布不一致。在金融知识图谱中，常见于以下场景：
- 数据源偏好：仅从公开财报、新闻中抽取实体关系，忽略非公开或低频交易数据。
- 时间窗口截断：只选取牛市或特定政策周期内的交易记录，遗漏完整市场周期。
- 过滤条件过严：在实体对齐时只保留置信度高于0.95的匹配，丢弃大量边缘但真实的关联。
金融案例：某风控模型仅使用过去3年正常履约的贷款样本训练，忽略了2008年金融危机期间的违约样本。模型在压力测试中准确率从92%骤降至47%。
3.2 幸存者偏差（Survivorship Bias）
幸存者偏差只关注“存活”下来的实体或关系，忽略已消亡或退出的样本。在金融知识图谱中，这种偏差尤为隐蔽且破坏力强。
| 偏差来源 | 知识图谱表现 | 后果 |
|---|---|---|
| 上市公司数据 | 仅包含当前存续公司，忽略退市、破产实体 | 高估行业平均盈利能力 |
| 基金业绩排名 | 只统计仍在运营的基金，清盘基金被剔除 | 业绩归因失真，低估尾部风险 |
| 债券评级迁移 | 违约债券被移出评级样本库 | 评级模型低估违约概率 |
| 供应链关系 | 只记录活跃供应商，忽略已倒闭的关联方 | 风险传导路径不完整 |
校验要点：在构建金融知识图谱时，必须保留实体生命周期标记（active/inactive/defunct），并在训练集中按比例保留已消亡样本，否则模型会系统性高估正向事件概率。
3.3 报告偏差（Reporting Bias）
报告偏差源于数据产生过程中的选择性记录——某些事件或属性被系统性地多报或少报。金融知识图谱中常见于：
- 媒体关注偏差：重大负面事件（如违约、诉讼）被过度报道，而常规合规操作很少被记录。
- 监管披露偏差：上市公司倾向于披露利好信息，延迟或模糊化利空信息。
- 用户行为偏差：金融APP中只有活跃用户产生行为日志，沉默用户完全不可见。
实战建议：在实体关系抽取阶段，引入事件类型平衡权重。例如，对“正面评级”和“负面评级”按实际市场分布进行重采样，避免模型学到“好消息多、坏消息少”的虚假规律。
3.4 偏差如何影响模型泛化
三种偏差通过不同路径损害模型的泛化能力，最终导致训练集表现优异但实际部署时失效。下图展示了偏差传导的完整链路：
3.5 偏差叠加效应与校验优先级
在实际金融知识图谱中，三种偏差往往同时存在并相互放大。下表总结了不同场景下的偏差组合及校验优先级：
| 金融场景 | 主要偏差 | 次要偏差 | 校验优先级 |
|---|---|---|---|
| 企业信用评级 | 幸存者偏差 | 报告偏差 | 高：需补充违约样本 |
| 股票关联挖掘 | 选择偏差 | 报告偏差 | 高：需覆盖全市场周期 |
| 反欺诈图谱 | 报告偏差 | 选择偏差 | 中：需平衡正负样本 |
| 供应链风险传导 | 幸存者偏差 | 选择偏差 | 高：需保留已消亡节点 |
| 舆情情绪分析 | 报告偏差 | — | 中：需引入多源数据 |
校验方法论：在金融知识图谱样本偏差校验中，建议按“幸存者偏差 → 选择偏差 → 报告偏差”的优先级顺序进行排查。幸存者偏差对模型泛化的破坏最为隐蔽且不可逆，应作为第一道校验关卡。