2. 样本构建基础：样本定义、正负样本概念、样本时间窗口设计原则
交易风控模型的样本构建是特征工程与模型训练的基石。一个错误的样本定义或时间窗口设计，会导致模型在线上表现严重偏离预期，甚至引发系统性风险。本章从最基础的样本单元出发，逐步拆解正负样本的界定逻辑与时间窗口的设计原则。
2.1 样本定义：什么是风控样本？
在交易风控场景中，一个样本通常对应一次交易事件或一个用户-交易对。每个样本包含三个核心要素：
- 实体标识：用户ID、设备ID、交易流水号等唯一标识。
- 时间戳：交易发生的时间点，用于对齐特征与标签。
- 标签：该交易是否被认定为风险（欺诈、盗刷、洗钱等）。
关键原则：样本的粒度必须与业务决策点一致。如果风控系统是在交易发生时做实时决策，则样本粒度应为“单笔交易”；如果是在日终做批量筛查，则样本粒度可以是“用户-日汇总”。
2.2 正负样本概念：风险标签的界定
正负样本的定义直接决定模型的学习目标。在交易风控中，正样本通常代表“风险事件”，负样本代表“正常事件”。但实际业务中，风险标签往往存在模糊地带。
| 样本类型 | 定义 | 常见来源 | 注意事项 |
|---|---|---|---|
| 正样本（风险） | 被确认为欺诈、盗刷、洗钱等违规行为的交易 | 用户申诉、风控人工审核、黑名单匹配、事后调查确认 | 标签存在滞后性（通常T+1~T+7）；部分风险可能未被发现 |
| 负样本（正常） | 未被标记为风险的交易 | 正常交易流水、通过风控规则放行的交易 | 负样本中可能混入未识别的风险（标签噪声） |
| 灰样本（待定） | 无法立即确认是否风险的交易 | 触发中风险规则、人工审核中、外部数据待查 | 通常不直接用于训练，或作为软标签使用 |
实践建议：正样本的纯度比数量更重要。宁可减少正样本量，也要确保标签的准确性。对于负样本，建议采用“已知正常”策略，即只选取经过一段时间观察（如30天）未被申诉或标记为风险的交易作为负样本。
2.3 样本时间窗口设计原则
时间窗口是风控样本构建中最容易出错、也最影响模型效果的部分。一个完整的风控样本时间窗口包含三个关键区间：观察期、表现期和回溯期。
常见陷阱：使用未来信息构造特征（数据泄露）是风控建模中最严重的错误之一。必须确保特征计算时使用的数据，在交易发生时是已知的。
2.3.1 观察期（特征窗口）
观察期是用于计算样本特征的历史数据区间。例如，对于当前交易，观察期可以是“过去7天该用户的交易行为”。
- 长度选择：取决于业务周期。高频交易（如支付）通常取1~30天；低频交易（如大额转账）可取30~90天。
- 截止点：观察期的结束时间必须严格早于或等于交易发生时间，不能包含交易发生后的数据。
- 滑动窗口：对于时序特征（如交易频次、金额均值），通常使用滑动窗口计算，而非固定日历窗口。
2.3.2 表现期（标签窗口）
表现期是用于确定样本标签的时间区间。例如，一笔交易发生后，我们需要等待一段时间（如7天）来观察该交易是否被用户申诉为欺诈。
- 长度选择：取决于风险暴露周期。盗刷类风险通常在交易后1~3天内被发现；洗钱类风险可能需要30~90天。
- 标签稳定性：表现期越长，标签越稳定，但样本时效性越差。需要在准确性与时效性之间做权衡。
- 截断处理：对于表现期尚未结束的交易，不能直接赋予正负标签，应作为“待定样本”剔除或单独处理。
2.3.3 回溯期（特征回溯窗口）
回溯期是观察期的一个子概念，特指在观察期内，用于计算“历史风险行为”特征的时间窗口。例如，计算“该用户过去30天内被标记为风险的交易次数”。
- 与观察期的关系：回溯期通常嵌套在观察期内，是观察期的一个子区间。
- 多粒度回溯：实践中常同时使用多个回溯期（如7天、30天、90天）来捕捉不同时间尺度的行为模式。
2.4 时间窗口设计综合示例
下面通过一个SVG流程图展示标准的风控样本时间窗口结构：
2.5 时间窗口设计决策矩阵
不同业务场景对时间窗口的要求差异很大。下表总结了常见交易风控场景的推荐参数：
| 业务场景 | 观察期长度 | 表现期长度 | 回溯期推荐 | 样本粒度 |
|---|---|---|---|---|
| 线上支付欺诈 | 7~30天 | 3~7天 | 1天、7天、30天 | 单笔交易 |
| 账户盗刷 | 30~90天 | 7~14天 | 7天、30天、90天 | 用户-设备对 |
| 洗钱交易 | 90~180天 | 30~90天 | 30天、90天、180天 | 用户-日汇总 |
| 信贷申请欺诈 | 6~12个月 | 3~6个月 | 3个月、6个月、12个月 | 申请事件 |
2.6 样本构建的常见问题与避坑
- 数据泄露：使用未来信息（如交易发生后的行为）构造特征。解决方案：严格按时间戳对齐，确保特征计算截止点 ≤ 交易时间。
- 标签噪声：负样本中混入未识别的风险交易。解决方案：采用“已知正常”策略，或使用PU学习（Positive-Unlabeled Learning）方法。
- 样本选择偏差：只使用通过风控规则的交易作为样本，忽略了被拦截的交易。解决方案：保留所有交易记录，包括被拦截的交易，并为其赋予正确的标签。
- 时间窗口不一致：不同样本使用不同长度的观察期或表现期。解决方案：统一时间窗口参数，或在特征中显式记录窗口长度。
最佳实践：在构建样本时，始终保留原始交易时间戳和标签确认时间戳。这样可以在后续分析中灵活调整时间窗口，而不需要重新从原始数据中提取样本。
2.7 样本构建流程总结
下面通过第二个SVG图展示从原始交易数据到最终训练样本的完整构建流程：
2.8 小结
样本构建是交易风控模型的基础设施，其质量直接决定模型的上限。核心要点包括：
- 样本粒度必须与业务决策点一致，通常为单笔交易或用户-日汇总。
- 正样本需确保标签纯度，负样本建议采用“已知正常”策略。
- 时间窗口设计必须严格遵循“观察期 ≤ 交易时间 < 表现期”的原则，避免数据泄露。
- 回溯期是观察期的子集，用于捕捉不同时间尺度的历史行为模式。
- 不同业务场景（支付欺诈、盗刷、洗钱）对时间窗口参数有显著差异，需针对性设计。