3. 偏差来源分类：时间窗口偏差、特征分布漂移、标签延迟与噪声、采样选择偏差
在实时风控系统中，样本偏差并非单一来源，而是由多个环节的固有缺陷叠加而成。理解偏差的来源分类，是设计校验规则和制定修复策略的前提。本章将偏差归纳为四大类：时间窗口偏差、特征分布漂移、标签延迟与噪声、采样选择偏差。每一类在成因、影响范围和校验手段上均有显著差异。
核心原则： 偏差分类的目的是“对症下药”。时间窗口偏差通常通过滑动窗口对齐解决；特征漂移依赖分布监控；标签问题需要延迟容忍与清洗策略；采样偏差则需重采样或加权校正。
3.1 时间窗口偏差
时间窗口偏差是最容易被忽视但影响最广的偏差类型。它源于训练样本与实时样本在时间维度上的不一致，具体表现为：训练集使用了过时的样本窗口，而当前决策点位于窗口之外。
- 固定窗口截断： 模型训练时只取过去30天的样本，但上线后第31天的样本分布已发生结构性变化。
- 事件时间 vs. 处理时间错位： 交易发生时间与样本入库时间存在延迟，导致窗口边界模糊。
- 周期性效应： 训练窗口未覆盖完整的业务周期（如月初/月末、节假日），导致模型对周期性模式学习不足。
3.2 特征分布漂移
特征分布漂移是指模型输入特征的统计分布在训练集与实时推理集之间发生了显著变化。这是实时风控中最常见、也最需要持续监控的偏差类型。
| 漂移类型 | 定义 | 风控示例 | 校验方法 |
|---|---|---|---|
| 协变量漂移 | 特征分布 P(X) 变化，但条件分布 P(Y|X) 不变 | 用户年龄分布从 25-35 岁变为 18-25 岁 | KS 检验、PSI |
| 概念漂移 | 特征与标签的关系 P(Y|X) 发生变化 | 同一交易金额特征，过去为欺诈，现在为正常 | ADWIN、DDM |
| 先验概率漂移 | 标签分布 P(Y) 发生变化 | 整体欺诈率从 1% 上升至 5% | 标签分布监控 |
校验要点： 特征分布漂移的校验不能仅依赖单一指标。建议组合使用 PSI（群体稳定性指标） 监控数值特征，卡方检验 监控类别特征，并设置动态阈值（如 PSI > 0.1 触发告警）。
3.3 标签延迟与噪声
标签延迟是实时风控特有的难题：模型训练依赖的“真实标签”（如是否逾期、是否欺诈）往往需要数天甚至数周才能确认。标签噪声则源于标注错误、数据录入异常或定义变更。
- 标签延迟：
- 短期标签（如 7 天逾期）与长期标签（如 30 天逾期）不一致。
- 延迟导致训练集标签不完整，模型低估风险。
- 标签噪声：
- 人工审核误判（如将正常交易标记为欺诈）。
- 系统间标签同步失败（如风控系统与账务系统标签不一致）。
3.4 采样选择偏差
采样选择偏差源于训练样本的采集方式与实时推理场景不一致。在风控中，最常见的表现是拒绝偏差和样本自选择偏差。
| 偏差子类 | 成因 | 风控场景 | 校验方法 |
|---|---|---|---|
| 拒绝偏差 | 模型只对通过审核的样本有标签，拒绝样本无标签 | 信贷审批模型只训练通过用户，拒绝用户被忽略 | 拒绝推断、逆概率加权 |
| 自选择偏差 | 用户行为导致样本非随机缺失 | 高风险用户主动回避风控规则，导致样本缺失 | 倾向性评分匹配 |
| 时间选择偏差 | 训练样本采集时间与业务高峰期错位 | 仅使用工作日样本，忽略周末交易模式 | 时间分层采样 |
注意： 采样选择偏差在实时风控中往往与时间窗口偏差叠加出现。例如，拒绝偏差会导致训练集中“好样本”比例偏高，而时间窗口偏差又可能放大这一效应。校验时需同时考虑两个维度。
3.5 偏差来源对比总结
下表从可检测性、修复难度和对模型影响三个维度，对四类偏差进行横向对比，帮助确定校验优先级。
| 偏差类型 | 可检测性 | 修复难度 | 对模型影响 | 推荐校验频率 |
|---|---|---|---|---|
| 时间窗口偏差 | 高（可通过时间戳对齐检测） | 中（需调整窗口策略） | 高（直接影响样本代表性） | 每次模型更新时 |
| 特征分布漂移 | 高（PSI/KS 实时监控） | 中（需重训练或特征工程） | 高（直接改变模型输出） | 每日/实时 |
| 标签延迟与噪声 | 中（需代理标签或审计） | 高（依赖数据治理） | 中（长期累积影响大） | 每周/每月 |
| 采样选择偏差 | 低（需领域知识辅助） | 高（需重采样或推断） | 高（导致模型泛化失败） | 模型训练前 |
实践建议： 在实时风控系统中，建议将 特征分布漂移 和 时间窗口偏差 作为第一优先级校验项，因为它们可检测性高、影响直接。标签噪声和采样偏差则通过定期数据审计和模型回测来发现。