2. 样本切分基础：训练集/验证集/测试集划分原则

在交易风控模型开发中，样本切分是决定模型泛化能力与上线后真实效果的关键步骤。错误的切分方式会导致时序穿越或过拟合，使模型在回测中表现优异，实盘时却大幅失效。本节从基础划分原则出发，对比时间序列切分与随机切分的本质差异。

2.1 三集划分原则与比例

标准机器学习流程将数据集划分为三个互斥子集：

2.2 随机切分 vs 时间序列切分

交易数据具有天然的时间依赖性和序列自相关性。随机切分与时间序列切分在风控场景下的差异如下：

2.3 时间序列切分实战策略

针对交易风控场景，推荐以下三种时间序列切分策略：

1. 固定时间窗口切分：按日期硬切，如 2023-01-01 至 2023-09-30 为训练集，2023-10-01 至 2023-11-30 为验证集，2023-12-01 至 2023-12-31 为测试集。
2. 滚动窗口切分（Sliding Window）：固定窗口长度，逐步向后滑动，适用于在线学习与模型更新。
3. 扩展窗口切分（Expanding Window）：训练集不断累积历史数据，验证/测试集为最新时间片段，适合低频策略与长周期风控模型。

下图展示了时间序列切分与随机切分的核心差异：

2.4 Flink 中的时间序列切分实现思路

在 Flink 实时风控流水线中，样本切分通常在批处理阶段（如使用 Flink Batch 或 Table API）完成历史数据的离线划分，然后加载到实时模型中进行推理。核心步骤：

• 步骤1：使用 ROW_NUMBER() OVER (PARTITION BY ... ORDER BY event_time) 为每条交易记录分配全局时间序号。
• 步骤2：根据预设的时间阈值（如日期边界）将数据路由到训练/验证/测试表。
• 步骤3：将切分后的训练集写入特征存储（Feature Store），供后续模型训练使用。

-- Flink SQL 示例：按时间窗口切分样本
INSERT INTO train_set
SELECT * FROM raw_transactions
WHERE event_time < '2023-10-01 00:00:00';

INSERT INTO val_set
SELECT * FROM raw_transactions
WHERE event_time >= '2023-10-01 00:00:00'
  AND event_time < '2023-12-01 00:00:00';

INSERT INTO test_set
SELECT * FROM raw_transactions
WHERE event_time >= '2023-12-01 00:00:00';

2.5 切分质量检查清单

每次完成样本切分后，建议逐项核对以下检查点：