4. 按时间顺序切分：基于时间戳的固定比例切分

在交易风控场景中，数据天然带有时间顺序属性。与随机切分不同，按时间顺序切分严格保留样本的时间先后关系，避免未来信息泄露（Look-ahead Bias）。这是构建可靠回测与在线风控模型的基础操作。

4.1 为什么必须按时间顺序切分

交易数据具有强时序依赖性：

• 市场状态漂移：不同年份的波动率、流动性、微观结构存在显著差异
• 策略过拟合风险：随机切分可能让模型“看到”未来数据，导致回测绩效虚高
• 业务合规要求：监管机构明确要求风控模型必须基于历史数据训练，不得使用未来信息

4.2 固定比例切分策略

将数据集按时间顺序排列后，按固定比例划分为三个连续区间：

4.3 时间顺序切分流程

下图展示了基于时间戳的固定比例切分完整流程：

4.4 Python 代码实现

以下代码展示了基于时间戳的固定比例切分完整实现：

import pandas as pd
import numpy as np
from datetime import datetime

def temporal_train_val_test_split(df, timestamp_col, train_ratio=0.7, val_ratio=0.2):
    """
    基于时间戳的固定比例切分
    
    Parameters:
    -----------
    df : pd.DataFrame
        包含时间戳的交易数据集
    timestamp_col : str
        时间戳列名
    train_ratio : float
        训练集比例，默认0.7
    val_ratio : float
        验证集比例，默认0.2
    
    Returns:
    --------
    train_df, val_df, test_df : 三个切分后的DataFrame
    """
    # 1. 确保数据按时间戳升序排列
    df_sorted = df.sort_values(by=timestamp_col).reset_index(drop=True)
    
    # 2. 计算切分点索引
    n_total = len(df_sorted)
    train_end = int(n_total * train_ratio)
    val_end = int(n_total * (train_ratio + val_ratio))
    
    # 3. 执行切分
    train_df = df_sorted.iloc[:train_end].copy()
    val_df = df_sorted.iloc[train_end:val_end].copy()
    test_df = df_sorted.iloc[val_end:].copy()
    
    # 4. 打印切分信息
    print(f"总样本数: {n_total}")
    print(f"训练集: {len(train_df)} 样本 ({train_ratio*100:.0f}%)")
    print(f"验证集: {len(val_df)} 样本 ({val_ratio*100:.0f}%)")
    print(f"测试集: {len(test_df)} 样本 ({(1-train_ratio-val_ratio)*100:.0f}%)")
    print(f"训练集时间范围: {train_df[timestamp_col].min()} ~ {train_df[timestamp_col].max()}")
    print(f"验证集时间范围: {val_df[timestamp_col].min()} ~ {val_df[timestamp_col].max()}")
    print(f"测试集时间范围: {test_df[timestamp_col].min()} ~ {test_df[timestamp_col].max()}")
    
    return train_df, val_df, test_df

# 使用示例
if __name__ == "__main__":
    # 模拟交易数据
    np.random.seed(42)
    dates = pd.date_range(start='2020-01-01', end='2023-12-31', freq='H')
    n_samples = len(dates)
    
    df = pd.DataFrame({
        'timestamp': dates,
        'price': 100 + np.cumsum(np.random.randn(n_samples) * 0.5),
        'volume': np.random.randint(100, 10000, n_samples),
        'label': np.random.choice([0, 1], n_samples, p=[0.95, 0.05])
    })
    
    # 执行切分
    train, val, test = temporal_train_val_test_split(
        df, 
        timestamp_col='timestamp',
        train_ratio=0.7, 
        val_ratio=0.2
    )
    
    # 验证时间顺序
    assert train['timestamp'].max() < val['timestamp'].min()
    assert val['timestamp'].max() < test['timestamp'].min()
    print("\n时间顺序验证通过：训练集 < 验证集 < 测试集")

4.5 关键注意事项

4.6 切分效果验证

切分完成后，建议进行以下验证：

4.7 进阶：基于日期的切分

对于交易日数据，更推荐按自然日进行切分，而非按样本数比例：

def temporal_split_by_date(df, timestamp_col, train_end_date, val_end_date):
    """
    基于日期边界的切分（推荐用于交易日数据）
    
    Parameters:
    -----------
    df : pd.DataFrame
    timestamp_col : str
    train_end_date : str
        训练集截止日期（包含）
    val_end_date : str
        验证集截止日期（包含）
    """
    df_sorted = df.sort_values(by=timestamp_col)
    
    train_df = df_sorted[df_sorted[timestamp_col] <= train_end_date].copy()
    val_df = df_sorted[
        (df_sorted[timestamp_col] > train_end_date) & 
        (df_sorted[timestamp_col] <= val_end_date)
    ].copy()
    test_df = df_sorted[df_sorted[timestamp_col] > val_end_date].copy()
    
    print(f"训练集: {train_end_date} 及之前, 共 {len(train_df)} 样本")
    print(f"验证集: {train_end_date} 之后 ~ {val_end_date}, 共 {len(val_df)} 样本")
    print(f"测试集: {val_end_date} 之后, 共 {len(test_df)} 样本")
    
    return train_df, val_df, test_df

# 使用示例
train, val, test = temporal_split_by_date(
    df, 
    timestamp_col='timestamp',
    train_end_date='2022-12-31',
    val_end_date='2023-06-30'
)