4. 样本偏差基础：偏差的定义、常见偏差类型及其在金融领域的表现

在金融知识图谱的构建与应用中，样本偏差是导致模型失效、风控失准的核心根源之一。本章将系统定义偏差，并深入剖析四种常见偏差类型在金融场景中的具体表现，为后续的偏差校验与修正奠定理论基础。

4.1 偏差的定义与核心影响

偏差（Bias） 是指数据样本的分布与目标总体真实分布之间的系统性差异。这种差异并非随机误差，而是由数据采集、筛选、测量或报告过程中的非随机因素导致的系统性偏离。

在金融领域，偏差的直接影响包括：

• 风控模型失效： 基于有偏样本训练的信用评分模型，在真实客群中 AUC 下降 10%–20%。
• 知识图谱关系错误： 偏差导致实体间关联强度被高估或低估，推理路径失真。
• 投资策略回测失真： 幸存者偏差使策略年化收益被高估 3%–8%。

4.2 常见偏差类型与金融表现

4.3 选择偏差（Selection Bias）

选择偏差是最常见的偏差类型，指样本选取过程存在非随机性，导致样本分布与总体分布不一致。

金融场景案例：

• 信贷审批偏差： 仅分析已获批贷款客户的还款表现，忽略被拒客户。这些被拒客户若获批，违约率可能更高，导致模型低估整体风险。
• 交易数据偏差： 仅使用高频交易数据训练市场预测模型，忽略低频交易时段的市场行为。
• 问卷调查偏差： 投资者风险偏好调查中，高净值客户回复率远高于普通客户，导致风险偏好分布失真。

4.4 幸存者偏差（Survivorship Bias）

幸存者偏差是金融领域破坏力最强的偏差之一，指分析时只关注当前存活的个体，忽略已退出市场的个体。

金融场景案例：

• 基金业绩回测： 统计过去10年股票型基金年化收益率时，只计算当前仍在运营的基金。已清盘基金通常业绩更差，导致回测收益率被系统性高估。
• 上市公司分析： 研究“成功企业”特征时，只分析当前市值前100的公司，忽略已退市或破产的公司，导致结论偏乐观。
• 债券违约分析： 仅分析存续债券的信用利差，忽略已违约债券的历史利差变化。

4.5 报告偏差（Reporting Bias）

报告偏差源于数据提供方在报告行为上的系统性倾向，常见于自愿披露或监管要求不严格的场景。

金融场景案例：

• 上市公司信息披露： 公司倾向于提前披露好消息，延迟或模糊处理坏消息，导致财务数据时间序列存在“好消息密集、坏消息稀疏”的分布特征。
• 金融投诉数据： 投诉平台数据中，极端负面体验的客户投诉率远高于一般不满客户，导致投诉数据无法反映真实满意度分布。
• ESG评级数据： 企业自愿披露ESG信息时，表现较差的企业选择不披露，导致ESG评级数据存在向上偏差。

4.6 测量偏差（Measurement Bias）

测量偏差指数据采集工具、方法或标准不一致导致的系统性误差，在金融多源数据融合场景中尤为突出。

金融场景案例：

• 征信评分差异： 不同征信机构（如央行征信 vs. 百行征信）对同一用户的信用评分可能相差50–100分，源于评分模型和特征定义不同。
• 资产估值偏差： 不同评估方法（成本法 vs. 市场法）对同一不动产的估值差异可达15%–30%。
• 交易时间戳偏差： 不同交易所或数据供应商对同一笔交易的时间记录存在毫秒级差异，在高频交易回测中导致信号失真。

4.7 偏差类型对比与知识图谱影响

4.8 偏差在知识图谱中的传导机制

金融知识图谱中，偏差会沿着实体关系链逐级传导和放大：

1. 实体层偏差： 某个实体（如某上市公司）的财务数据存在报告偏差，导致其属性值偏离真实值。
2. 关系层偏差： 基于有偏实体数据计算的关系强度（如供应链依赖度、股权控制力）产生系统性误差。
3. 推理层偏差： 知识图谱推理路径（如“A公司财务恶化 → 供应商B风险上升”）因底层偏差而失效。
4. 决策层偏差： 最终风控决策（如授信额度、投资建议）偏离最优策略。

4.9 偏差校验的Python工具链概览