2、样本构建基础：样本构建的目标、样本与总体、样本的代表性要求

在风险定价模型中，样本构建是决定模型泛化能力与业务落地效果的第一道关卡。如果样本本身存在偏差，后续无论采用多么先进的算法，都无法弥补数据层面的系统性缺陷。本节将围绕样本构建的三大核心问题展开：我们为什么要构建样本？样本与总体之间存在怎样的关系？如何确保样本能够真实反映总体特征？

2.1 样本构建的目标

样本构建并非简单的数据抽取，而是为了在有限的计算资源和业务时间内，尽可能准确地估计总体参数或预测总体行为。在风险定价场景中，样本构建的核心目标可归纳为以下四点：

2.2 样本与总体的关系

总体（Population）是研究对象的全体集合，而样本（Sample）是从总体中抽取的一部分个体。在风险定价中，总体通常定义为“所有可能申请贷款并接受定价的客户”，而样本则是“历史已发生借贷行为且数据完整的客户记录”。

理解样本与总体的关系，需要把握以下三个关键差异：

• 时间维度差异：总体包含未来尚未发生的借贷行为，样本仅包含历史已发生的数据。这意味着样本永远无法完全覆盖总体中的“未来客群”。
• 选择偏差差异：总体中的客户是理论上的全量，而样本往往受到业务渠道、审批策略、数据缺失等因素的影响，天然存在选择偏差。
• 分布一致性差异：理想情况下样本分布应近似总体分布，但现实中由于数据采集成本或业务限制，样本分布往往与总体分布存在偏移。

2.3 样本的代表性要求

样本代表性（Representativeness）是指样本在关键特征上的分布与总体保持一致。在风险定价中，如果样本缺乏代表性，模型将产生系统性偏差，导致定价过高（损失优质客户）或定价过低（承担超额风险）。

样本代表性需要满足以下四个层次的要求：

1. 特征分布一致性：样本中每个关键特征（如年龄、收入、信用评分、贷款金额）的分布应与总体一致。例如，总体中30岁以下客户占比40%，样本中该比例不应偏离过大。
2. 风险分布覆盖性：样本必须覆盖总体中所有风险等级，尤其是尾部高风险客群。如果样本中仅包含低风险客户，模型将无法学习到违约模式。
3. 时间稳定性：样本应包含足够长的时间窗口，以捕捉经济周期、政策变化对风险的影响。通常建议至少覆盖2-3个完整的经济周期。
4. 样本量充足性：样本量需满足统计显著性和模型复杂度的要求。对于风险定价模型，每个特征至少需要10-20个违约样本，总样本量建议不低于10,000条。

2.4 样本代表性评估方法

在构建样本后，需要通过定量方法评估其代表性。以下是三种常用的评估手段：

2.5 样本构建的实战原则

结合风险定价业务的实际经验，样本构建应遵循以下五项原则：

• 业务理解先行：在抽样前，必须与业务团队确认总体的定义边界。例如，“新客”是否包含渠道预授信客户？“老客”是否包含已结清客户？
• 分层抽样为主：对于风险定价模型，建议按风险等级（如信用评分区间）进行分层抽样，确保各风险层均有足够样本，尤其是高风险层应适当过采样。
• 时间窗口对齐：训练样本与验证样本应来自同一时间窗口，避免用疫情前的样本预测疫情后的风险。
• 拒绝推断纳入：对于审批被拒的客户，应通过拒绝推断（Reject Inference）技术补充其潜在风险标签，否则样本将缺失高风险客群。
• 持续监控更新：样本构建不是一次性工作。模型上线后，需定期（如每月）评估样本与当前总体的一致性，发现偏移及时重建。