1. 课程导论：金融知识图谱样本偏差校验 XGBoost 实战
1.1 金融知识图谱概述
金融知识图谱（Financial Knowledge Graph, FKG）是一种以图结构组织金融实体（如企业、个人、产品、账户）及其关系（如控股、担保、交易、关联）的语义网络。它通过将异构数据源（财报、公告、舆情、交易流水）转化为结构化三元组，支撑反欺诈、风控、投研等场景的深度推理。
核心价值：从“数据孤岛”到“关联洞察”，FKG 能将隐性风险链路显性化，例如识别“循环担保圈”或“空壳公司网络”。
| 维度 | 传统关系型数据库 | 金融知识图谱 |
|---|---|---|
| 数据模型 | 表、行、外键 | 节点、边、属性 |
| 查询方式 | SQL 多表 JOIN | 图遍历、路径匹配 |
| 推理能力 | 弱（需硬编码规则） | 强（支持传导、归因、预测） |
| 典型应用 | 客户信息管理 | 关联交易识别、反洗钱链路分析 |
1.2 样本偏差问题的重要性
在金融风控建模中，样本偏差（Sample Bias）是指训练数据分布与真实业务分布之间的系统性差异。常见偏差类型包括：
- 选择偏差：仅采集“通过审批”的客户样本，忽略被拒客户，导致模型低估风险。
- 幸存者偏差：只分析存续企业，忽略已破产或注销的实体，高估信用质量。
- 标签偏差：逾期标签定义不一致（如 M1 vs M3），造成正负样本边界模糊。
- 时间偏差：用历史样本训练，但业务环境（政策、市场）已发生结构性变化。
⚠ 风险提示：样本偏差会导致模型在线上表现远低于离线 AUC，甚至出现“模型越准、风险越大”的反直觉现象。在知识图谱场景中，偏差会沿图结构传播，放大错误推理。
| 偏差类型 | 知识图谱中的表现 | 后果 |
|---|---|---|
| 选择偏差 | 图谱仅包含已知关联企业，遗漏隐性关联 | 风险链路断裂，漏报率上升 |
| 幸存者偏差 | 节点以正常企业为主，违约样本稀疏 | 模型对违约特征学习不足 |
| 标签偏差 | 图谱中“担保关系”标签定义不统一 | 边预测任务准确率下降 |
| 时间偏差 | 图谱快照仅反映某一时点，无法捕捉动态变化 | 推理结果滞后于真实风险 |
1.3 XGBoost 在偏差校验中的角色
XGBoost 是一种基于梯度提升决策树的集成学习算法，因其高效、鲁棒、可解释性强，在金融风控领域被广泛用于分类与排序任务。在样本偏差校验场景中，XGBoost 承担以下关键角色：
- 偏差检测器：通过训练一个“样本来源分类器”（训练集 vs 真实分布），利用特征重要性定位偏差来源。
- 权重校准器：基于 XGBoost 输出的概率分数，计算逆概率权重（IPW），对偏差样本进行加权修正。
- 鲁棒性评估：在偏差扰动下，对比 XGBoost 与其他模型（如逻辑回归、神经网络）的 AUC 衰减幅度，量化偏差影响。
- 特征筛选：利用 XGBoost 的增益（Gain）与覆盖度（Cover）指标，剔除受偏差污染严重的特征。
💡 实战要点：XGBoost 内置处理缺失值、支持自定义损失函数，可针对知识图谱的稀疏邻接特征进行优化，是偏差校验管线的理想基座模型。
1.4 课程目标与学习路径
本课程旨在帮助学员掌握一套完整的“金融知识图谱样本偏差校验”方法论与 XGBoost 实战技能。课程结束后，学员将能够：
- 识别与量化：在知识图谱场景中识别 4 种以上样本偏差类型，并量化其影响程度。
- 建模与校验：使用 XGBoost 构建偏差检测模型，输出偏差来源报告与校准权重。
- 优化与部署：将偏差校验管线集成到金融风控系统中，实现自动化监控与告警。
- 可解释性：利用 SHAP 值解释偏差特征对模型决策的贡献，满足监管合规要求。
| 模块 | 章节范围 | 核心产出 |
|---|---|---|
| 基础篇 | 第 1-5 章 | 知识图谱构建 + 偏差理论框架 |
| 算法篇 | 第 6-15 章 | XGBoost 偏差检测与校准模型 |
| 实战篇 | 第 16-25 章 | 端到端偏差校验管线 + 案例 |
| 进阶篇 | 第 26-30 章 | 可解释性、监控、生产部署 |
学习路径建议：具备 Python 基础与机器学习入门知识的学员，建议按顺序学习；若已有 XGBoost 使用经验，可直接从第 6 章开始。每章均提供可运行的 Jupyter Notebook 与合成数据集，支持边学边练。