4. 数据准备

贷后模型的时间外验证与稳定性回测，成败往往不取决于算法，而取决于数据准备是否严谨。很多团队在建模阶段指标漂亮，一到时间外回测就出现大幅衰减，根源通常不是模型本身，而是时间切片错位、观察期与表现期定义混乱、标签未成熟或样本选取有偏。本节围绕这五个要点，给出可落地的工程方法。

一、核心原理：时间维度是贷后验证的第一性约束

贷后模型预测的是"未来某段时间内是否发生违约/逾期"这类事件。因此每条样本天然带有三个时间坐标：观察点（Observation Point）、观察期（Observation Window）、表现期（Performance Window）。观察点是做决策的时刻，观察期用于采集该时刻可见的特征，表现期用于等待标签发生。

时间外验证的本质，是用"过去训练、未来验证"的方式模拟真实上线场景。若随机切分样本，会造成特征穿越和标签泄漏，回测结果虚高。正确做法是按时间轴做前向切片：训练集时间早于验证集，验证集早于测试集，且各集合之间保留足够的标签成熟缓冲带。

二、方法流程：从时间切片到样本落地

1. 确定观察点频率：贷后监控常用月度或周度观察点。频率越高，样本越多，但相邻样本特征高度相关，需注意去重与抽样。
2. 定义观察期长度：通常取观察点前3、6、12个月，用于计算逾期次数、用信率、还款行为等特征。观察期过长会引入陈旧信息，过短则特征不稳定。
3. 定义表现期长度：根据产品账期与风险暴露节奏确定。短期现金贷常用30/60/90天，分期产品常用6/12期。表现期必须覆盖绝大多数违约发生的时间窗。
4. 按时间切片划分数据集：训练、验证、测试按时间先后排列，并在边界处留出表现期长度的缓冲，避免标签重叠。
5. 样本选取与抽样：确定准入客群、排除规则、好坏样本定义，必要时对多数类做下采样或对少数类做加权。
6. 标签成熟度检查：只保留表现期已完整结束的样本，未成熟样本打标为"不确定"并排除。
7. 数据清洗：处理缺失、异常、重复、穿越变量，输出建模宽表。

三、案例场景：某消费分期贷后模型的切片设计

假设某消费分期产品账期12期，数据覆盖2022-01至2024-06。团队要构建贷后早期预警模型，预测观察点后90天内是否发生M1+逾期。切片方案如下：

注意训练集与验证集之间、验证集与测试集之间均无表现期重叠，且每个集合的标签成熟截止日均早于数据截止日2024-06，保证标签完整。

四、标签成熟度与数据清洗要点

标签成熟度是贷后建模最容易被忽视的坑。若观察点为2024-05，表现期90天，则标签要到2024-08才成熟。在2024-06的数据快照中，这批样本的标签是"未成熟"的，若强行打标为"好客户"，会系统性低估风险。

数据清洗需重点关注以下清单：

• 穿越变量剔除：任何在观察点之后产生的字段，如"未来最大逾期天数""结清日期"等，必须排除。
• 缺失值处理：区分"真缺失"与"业务无此环节"，前者可填充，后者应单独编码。
• 异常值处理：对金额、比率类字段做分位数截断，避免极端值主导训练。
• 重复样本去重：同一客户同一观察点只保留一条，防止样本权重失衡。
• 标签一致性校验：核对逾期天数口径、M1/M2定义、核销与展期处理规则。
• 时间字段格式统一：全部转为标准日期类型，避免字符串比较导致切片错误。

下面是一段标签成熟度检查与切片生成的伪代码示例：

# 假设 df 含 customer_id, obs_date, perf_days, dpd_max, snapshot_date
df['perf_end'] = df['obs_date'] + pd.to_timedelta(df['perf_days'], unit='D')
df['mature'] = df['perf_end'] <= df['snapshot_date']

# 仅保留成熟样本
df_mature = df[df['mature']].copy()

# 定义标签：表现期内最大逾期天数 >= 30 为坏
df_mature['label'] = (df_mature['dpd_max'] >= 30).astype(int)

# 按观察点时间切片
train = df_mature[df_mature['obs_date'] < '2023-01-01']
valid = df_mature[(df_mature['obs_date'] >= '2023-01-01') & (df_mature['obs_date'] < '2023-07-01')]
test  = df_mature[df_mature['obs_date'] >= '2023-07-01']

print('成熟样本占比:', df['mature'].mean())
print('训练/验证/测试:', len(train), len(valid), len(test))

五、误区复盘

误区一：随机切分代替时间切分。随机切分让未来信息泄漏到训练集，回测AUC虚高0.05以上，上线后迅速回落。

误区二：表现期一刀切。不同产品、不同客群的违约节奏不同，统一用90天可能漏掉长账期产品的后期风险。应按产品分层定义表现期。

误区三：忽视样本选取偏差。只取"已放款"客户建模，会遗漏被拒绝客群，导致模型在审批场景下无法直接使用。需明确模型应用场景，决定是否引入拒绝推断。

误区四：清洗时删除过多样本。过度清洗会改变客群分布，使训练集与真实客群脱节。清洗规则应记录、可复现，并评估对样本量的影响。

综上，数据准备不是建模前的杂活，而是决定时间外验证可信度的地基。把时间切片、观察期与表现期、样本选取、标签成熟度和数据清洗这五件事做扎实，后续的稳定性回测才有意义。