1. 样本偏差概述
1.1 什么是样本偏差
样本偏差（Sample Bias）是指从总体中抽取的样本在关键特征分布上与总体真实分布之间存在系统性差异。在风控建模中，样本偏差意味着模型训练所使用的样本不能真实反映业务上线后所面对的真实客群分布，导致模型在部署后出现性能衰退或失效。
核心公式： 样本偏差 = P样本(X, Y) ≠ P总体(X, Y)
样本偏差的常见来源包括：
- 选择偏差：样本采集过程存在非随机筛选，例如仅选取通过审批的客户作为训练样本。
- 存活偏差：仅保留在观察期内未发生逾期的样本，忽略了提前结清或流失的客户。
- 时间偏差：训练数据来自历史时期，而当前客群或经济环境已发生结构性变化。
- 标签偏差：坏样本定义不一致或标签获取存在延迟，导致正负样本比例失真。
1.2 样本偏差在风控中的重要性
风控模型的核心任务是准确区分好客户与坏客户。样本偏差会从以下三个维度直接影响模型效果与业务决策：
| 影响维度 | 具体表现 | 业务后果 |
|---|---|---|
| 模型区分度 | 样本偏差导致模型高估或低估某些特征的重要性 | KS/AUC 在验证集虚高，上线后断崖式下跌 |
| 概率校准 | 样本中坏账率与真实坏账率不一致 | 评分卡输出的违约概率失真，定价与额度策略失效 |
| 策略稳定性 | 模型在样本外表现不稳定，拒绝/通过率波动剧烈 | 业务指标异常，风控策略频繁调整，运营成本上升 |
⚠ 风控红线：样本偏差是模型上线后性能衰退的首要原因。在实时风控场景中，偏差的累积速度比离线建模快 3-5 倍，必须在监控体系中设置专门的偏差检测指标。
1.3 实时风控场景下的特殊性
实时风控（Real-time Risk Control）要求模型在毫秒级内对每笔交易或申请做出决策。与离线建模相比，实时场景下的样本偏差具有以下特殊性：
- 反馈延迟与标签稀疏：实时决策后，坏样本标签需要等待 30-90 天才能确认，导致训练样本与当前决策样本之间存在时间错位。
- 分布漂移速度更快：实时业务中客群、渠道、欺诈手法变化迅速，样本分布可能在数小时内发生结构性偏移。
- 样本选择机制复杂：实时风控系统本身就是一个筛选器——通过/拒绝/人工审核三个分支的样本特征分布天然不同，形成自选择偏差。
- 数据管道不完整：实时场景下部分特征可能因超时、缺失或第三方接口异常而无法获取，导致实际建模样本与理想样本存在系统性差异。
1.4 实时风控样本偏差的典型类型
根据实时风控的业务特点，样本偏差可归纳为以下四种典型类型：
| 偏差类型 | 产生原因 | 实时场景影响 | 检测方法 |
|---|---|---|---|
| 拒绝推断偏差 | 模型训练仅使用通过审批的客户，拒绝客户无标签 | 模型高估通过客群质量，低估拒绝客群中的潜在好客户 | PSI 分布对比、拒绝样本回溯标注 |
| 时间漂移偏差 | 训练数据与当前决策数据的时间窗口不一致 | 模型在节假日、促销期、经济波动期表现异常 | 时间序列 PSI、特征分布日环比 |
| 渠道选择偏差 | 不同获客渠道的客群质量差异被忽略 | 模型对特定渠道的通过率异常偏高或偏低 | 渠道分层 KS 对比、渠道交叉验证 |
| 标签延迟偏差 | 坏样本标签需要 30-90 天才能确认 | 训练样本中的坏样本比例被系统性低估 | 生存分析校正、动态标签窗口 |
💡 实践建议：在实时风控系统中，建议将样本偏差监控作为模型监控的第一道防线。当 PSI > 0.1 或特征分布偏移超过 3 个标准差时，应立即触发模型重训练或特征回滚机制。