3. 时间切分核心概念

在信贷风控建模中，样本切分方式直接决定了模型评估结果是否可信。很多团队在离线指标上表现优异，上线后却迅速衰减，根源往往不在算法，而在切分方式。本节聚焦时间切分这一核心方法，讲清它是什么、为什么必须用、以及它与随机切分的本质差异。

一、什么是时间切分

时间切分（Time-based Split）是指按照样本发生或观察的时间顺序，将数据集划分为训练集、验证集和测试集，而不是随机打散。典型做法是：用较早时间段的数据训练模型，用较晚时间段的数据评估模型。

在信贷场景中，每条样本通常带有两个关键时间字段：

• 观察点（Observation Date）：客户申请贷款、发起借款或进入授信流程的时间。
• 表现期（Performance Window）：从观察点开始，用于判断客户是否发生违约的时间窗口，如 6 个月、12 个月。

时间切分通常以观察点为准进行划分。例如：

训练集：2022-01 ~ 2023-06 的申请样本
验证集：2023-07 ~ 2023-12 的申请样本
测试集（OOT）：2024-01 ~ 2024-06 的申请样本

其中测试集常被称为 OOT（Out-of-Time）样本，即“时间外样本”。OOT 验证是信贷模型上线前最接近真实部署环境的评估方式。

二、为什么需要时间切分

信贷业务本质上是“用过去预测未来”。模型上线后面对的是未来新申请的客户，而不是历史样本的随机子集。如果训练和测试样本在时间上混杂，评估结果会系统性高估模型能力。具体原因有三点：

1. 业务环境随时间变化：宏观利率、监管政策、客群结构、渠道策略、产品定价都会变化，导致申请人群和违约风险分布发生漂移。
2. 风险表现具有滞后性：违约不是申请当天发生的，而是在表现期内逐步暴露。随机切分可能把同一时期、同一批客群的样本同时放入训练和测试，造成信息泄漏。
3. 模型需要模拟真实上线节奏：真实场景中，模型只能用上线前已积累的数据训练，然后服务未来客户。时间切分正是对这一过程的模拟。

三、时间切分与随机切分的区别

随机切分（Random Split）将全量样本随机划分为训练集和测试集，假设样本独立同分布。时间切分则显式保留时间顺序，假设未来分布可能与历史不同。两者差异可从多个维度对比：

对比维度	随机切分	时间切分
切分依据	随机种子，打散样本	观察点时间顺序
核心假设	样本独立同分布	分布随时间可能漂移
信息泄漏风险	高，同期样本可能跨集	低，未来样本不参与训练
评估结果	偏乐观，AUC/KS 虚高	更接近上线真实表现
适用场景	数据探索、特征筛选初筛	模型验证、上线决策、OOT 评估
对分布漂移的敏感度	不敏感，容易掩盖问题	敏感，能暴露衰减

需要强调的是，随机切分并非完全不能用。在早期特征探索、快速验证特征与标签的相关性时，随机切分可以作为辅助手段。但一旦进入模型评估和上线决策阶段，必须以时间切分和 OOT 验证为准。

四、方法流程与实战要点

一个规范的时间切分流程通常包含以下步骤：

1. 确定观察点与表现期：明确每条样本的观察时间和标签定义窗口，确保标签已完整成熟。
2. 按时间排序并划分区间：根据业务节奏和数据量，选择训练、验证、测试的时间边界。
3. 检查各时间段样本分布：对比逾期率、客群结构、渠道占比、特征均值，识别明显漂移。
4. 训练与调参：在训练集上拟合模型，在验证集上选择超参数和阈值。
5. OOT 验证：在时间外测试集上评估 AUC、KS、PSI 等指标，观察衰减幅度。
6. 复盘与迭代：若 OOT 指标显著低于验证集，需排查特征稳定性、样本偏差或标签定义问题。

五、常见误区与复盘

• 误区一：随机切分指标好就认为模型好。随机切分下的高 AUC 可能来自同期样本泄漏，上线后往往大幅下降。
• 误区二：只做一次时间切分。单次切分可能受特定时间段异常影响，建议做多窗口滚动验证，观察稳定性。
• 误区三：忽略样本量随时间变化。业务放量或收缩会导致各时间段样本量差异巨大，切分时需兼顾统计显著性和业务代表性。
• 误区四：OOT 集反复使用。OOT 集一旦被多次用于调参，就失去了“时间外”意义，应严格隔离，仅用于最终评估。