3、实时风控模型特点：流式数据、概念漂移、延迟标签、样本自选择偏差
实时风控模型与离线批量模型在数据形态、模型更新机制和评估方式上存在本质差异。理解这些特点是设计样本偏差校验方案的前提。本章从四个核心维度展开分析：流式数据、概念漂移、延迟标签和样本自选择偏差。
3.1 流式数据：无界、高速、非平稳
实时风控场景下，数据以数据流（Data Stream）的形式持续到达，具有以下特征：
- 无界性：数据总量无限，无法一次性加载到内存。
- 高速性：单条数据处理时间通常要求在毫秒级。
- 非平稳性：数据分布随时间动态变化，历史分布不能完全代表未来。
流式数据对样本偏差校验提出了新挑战：传统离线校验依赖全量历史数据做统计检验，而流式场景下只能基于滑动窗口或衰减因子进行近似估计。
关键指标：流式数据校验通常关注 窗口内样本量、到达速率 和 特征分布偏移量 三个维度。
3.2 概念漂移：分布迁移与模型失效
概念漂移（Concept Drift）是指目标变量与特征之间的联合分布随时间发生变化。在风控场景中，常见的漂移类型包括：
| 漂移类型 | 定义 | 风控示例 | 校验影响 |
|---|---|---|---|
| 突发漂移 | 分布瞬间突变 | 监管政策发布后，逾期率骤升 | 窗口内样本分布剧烈偏移，校验报警延迟 |
| 渐进漂移 | 分布缓慢变化 | 用户群体收入结构逐年变化 | 累积偏差不易察觉，需长期监控趋势 |
| 周期性漂移 | 分布按周期重复 | 月末/季末借贷行为模式变化 | 需区分周期性与结构性偏移 |
常见误区：许多团队仅监控模型评分分布（PSI），忽略了特征与标签的联合分布变化。当特征分布稳定但标签分布漂移时，PSI 可能正常，但模型已失效。建议同时监控 特征-标签联合分布 和 条件概率 P(Y|X) 的稳定性。
3.3 延迟标签：时间错配与样本截断
实时风控模型面临最棘手的挑战之一是延迟标签（Delayed Label）。一笔交易是否欺诈、一笔贷款是否逾期，通常需要数天甚至数月才能确认。这导致：
- 训练样本与当前样本时间错配：模型基于历史标签训练，但当前数据分布可能已变化。
- 样本截断偏差：近期样本的标签尚未到达，导致训练集偏向“已出标签”的旧样本。
- 幸存者偏差：只有通过风控审核的样本才有机会产生逾期标签，被拒绝的样本标签永远缺失。
实践建议：在实时风控中，建议设置 标签等待窗口（如 30 天），窗口内样本参与训练，窗口外样本被淘汰。同时引入 伪标签 或 半监督学习 缓解标签延迟问题。
3.4 样本自选择偏差：拒绝推断与反馈循环
实时风控模型在运行时，其决策结果会直接影响后续样本的构成，形成样本自选择偏差（Self-Selection Bias）。具体表现为：
- 拒绝偏差：模型拒绝的样本无法观测到真实标签，导致训练数据仅包含“通过”样本，模型对拒绝样本的预测能力未知。
- 反馈循环：模型决策改变用户行为，例如用户发现被拒后更换设备或资料再次申请，导致特征分布偏移。
- 策略干扰：风控策略调整（如提高通过率）会改变样本分布，使历史模型失效。
校验要点：自选择偏差的校验需要引入 拒绝推断（Reject Inference） 技术，常用方法包括：硬截断法、模糊扩展法、基于模型插补法。同时，需监控 通过率 和 拒绝样本特征分布 的变化趋势。
3.5 四维偏差对比总览
下表从校验对象、时间尺度、常用指标和应对策略四个维度，对比四种特点带来的偏差风险：
| 特点 | 校验对象 | 时间尺度 | 常用指标 | 应对策略 |
|---|---|---|---|---|
| 流式数据 | 特征分布、到达速率 | 秒级/分钟级 | 滑动窗口 PSI、KS | 在线统计、衰减加权 |
| 概念漂移 | 特征-标签联合分布 | 天级/周级 | ADWIN、DDM、PSI | 模型在线更新、集成学习 |
| 延迟标签 | 标签到达率、时间错配 | 月级 | 标签延迟分布、截断比例 | 标签等待窗口、伪标签 |
| 样本自选择偏差 | 通过率、拒绝样本分布 | 策略周期 | 拒绝比例、特征偏移量 | 拒绝推断、A/B 测试 |