1. 课程导入

在信贷、支付、反欺诈等风控场景中，模型上线后效果衰减几乎是常态。很多团队把原因归结为“模型算法不够强”，但真正的问题往往出在更靠前的一步：训练样本的时间边界没有定义清楚。样本窗口决定了模型“向历史看多远”，时间切分决定了模型“用什么标准判断自己学得好不好”。这两件事做错，再先进的算法也只是在错误的数据上做精致的拟合。

一、核心原理：风控建模本质上是时间序列上的因果推断

普通机器学习任务常假设样本独立同分布，但风控样本天然带有时间结构。一个用户在3月申请借款、4月发生逾期，这条样本的标签只有在4月之后才可知。如果训练时把4月之后的信息泄露到3月的特征里，离线AUC会非常漂亮，上线却迅速崩塌。这就是典型的时间穿越（Leakage）。

因此，风控建模的核心约束是：特征只能使用申请时点之前可获取的信息，标签必须使用申请时点之后足够长时间才能确认的结果。样本窗口与时间切分，正是把这条因果约束落到工程上的两个关键动作。

从业务视角看，样本窗口还直接影响模型的“记忆周期”。窗口太短，模型只学到近期客群特征，遇到季节性波动就失效；窗口太长，历史客群与当前客群差异过大，模型学到的是过时规律。时间切分则决定了我们能否模拟真实上线节奏：训练用过去，验证用未来，中间还要留出标签成熟期。

二、方法流程：从业务问题到可执行的时间切分方案

一个可落地的样本窗口与时间切分流程，通常包含以下步骤：

1. 明确业务目标与表现期：例如“预测首笔借款后90天内是否逾期30+”，表现期就是90天。
2. 确定观察点与标签成熟时间：观察点是申请日，标签成熟时间是观察点加表现期，再叠加数据回传延迟。
3. 划分训练窗口、验证窗口与测试窗口：按时间先后顺序切分，禁止随机打乱。
4. 设置隔离带（Gap）：在训练集与验证集之间留出至少一个表现期，防止标签重叠。
5. 做时间外样本验证：用最近一段时间的样本检验模型稳定性，而不是只看随机验证集。
6. 监控与回溯：上线后持续对比各时间窗口的KS、AUC与通过率，发现漂移及时重训。

下面是一个典型的时间切分配置示例，假设表现期为90天，数据回传延迟约15天：

观察点范围：2023-01-01 ~ 2023-12-31
表现期：90天
标签成熟延迟：15天

训练窗口：2023-01-01 ~ 2023-06-30
隔离带：2023-07-01 ~ 2023-09-30
验证窗口：2023-10-01 ~ 2023-12-31
测试窗口：2024-01-01 ~ 2024-03-31

切分原则：按时间升序，禁止随机shuffle
标签确认：观察点 + 90天 + 15天 <= 当前日期

这个配置的关键在于：训练集和验证集之间不是紧挨着的，而是留出了90天隔离带。如果没有隔离带，训练集末尾样本的标签可能延伸到验证集开头，造成信息重叠，验证结果会偏乐观。

三、案例/场景：一次因切分错误导致的线上事故

某消费金融团队开发首贷逾期模型，离线AUC达到0.82，上线后首月KS仅0.21。复盘发现两个问题：

• 问题一：随机切分。团队用sklearn的train_test_split随机划分，导致同一用户的不同申请记录同时出现在训练集和测试集，模型记住了用户身份。
• 问题二：特征窗口与标签窗口重叠。部分特征统计了“近180天逾期次数”，而标签是“未来90天是否逾期”，两者时间范围交叉，造成标签泄露。

修正方案是：按申请时间升序切分，训练集取前6个月，验证集取后3个月，中间留90天隔离带；同时把所有特征的计算截止时间严格限制在观察点之前。修正后离线AUC降到0.76，但上线KS提升到0.34，模型稳定性显著改善。

四、误区与复盘：样本窗口与时间切分中的常见陷阱

误区	表现	后果	修正方法
随机切分	同一用户跨集合出现	离线指标虚高	按时间升序切分
无隔离带	训练与验证标签重叠	验证结果偏乐观	留出至少一个表现期
特征穿越	特征包含未来信息	上线效果崩塌	严格限制特征截止时间
窗口过长	包含过时客群	模型学到过时规律	结合业务周期滚动调整
窗口过短	样本量不足	模型方差大	保证每个窗口有足够坏样本
忽略标签成熟期	近期样本标签未成熟	标签噪声大	剔除未成熟样本

复盘这些误区，会发现它们有一个共同点：把时间当成了普通维度，而不是因果约束。风控建模中，时间不是可以随意打乱的特征，而是决定信息可见性的边界。样本窗口和时间切分的本质，就是在工程上强制执行“过去预测未来”的因果顺序。

五、本课程学习目标与整体框架

通过本课程，你将掌握以下能力：

• 理解样本窗口、观察点、表现期、隔离带等核心概念及其相互关系。
• 能够根据业务目标设计合理的时间切分方案，并写出可执行的配置。
• 识别并修复特征穿越、标签泄露、随机切分等常见问题。
• 掌握滚动窗口、时间外验证、稳定性监控等进阶方法。
• 能够把样本窗口与时间切分方案落地到特征平台和训练流水线中。

课程整体围绕“概念—方法—工程—复盘”四条线展开：先建立时间因果的正确认知，再学习切分方法与参数设计，然后进入特征平台与训练流水线的工程实现，最后通过真实案例复盘常见陷阱与优化策略。每一章都会尽量给出可运行的配置、代码片段或检查清单，帮助你把知识转化为可复用的工程能力。