3、时间序列数据特性：时间依赖性、非平稳性、时序相关性对切分的约束

实时风控数据本质上是时间序列数据。与独立同分布（i.i.d.）的静态数据集不同，时间序列数据在时间维度上存在内在结构。如果忽略这些结构直接进行随机切分，会导致严重的数据泄露和过拟合，使模型在线上表现远低于离线评估。本节深入剖析时间序列的三个核心特性，并阐明它们对训练集切分的硬性约束。

3.1 时间依赖性：切分不能破坏时序因果

时间依赖性是指当前时刻的观测值（如交易是否欺诈）与过去时刻的观测值存在关联。在风控场景中，这种依赖表现为：

• 用户行为序列：用户过去1小时的登录、浏览、支付行为，直接影响当前交易的风险评分。
• 设备指纹演化：设备在过去7天内关联的账号数量，是判断设备是否被恶意控制的关键特征。
• 团伙关联图：当前交易对手方是否与历史黑名单账户存在资金往来。

切分约束：训练集和测试集必须保持严格的时间先后顺序，即训练集的时间窗口必须完全早于测试集的时间窗口。任何随机打乱或交叉验证都会将未来的信息泄露到训练集中，导致模型“预知未来”。

3.2 非平稳性：切分窗口必须适应分布漂移

非平稳性是指数据的统计特性（均值、方差、协方差）随时间变化。在风控领域，非平稳性无处不在：

• 概念漂移：欺诈分子的手法不断进化，今天有效的规则，明天可能失效。
• 周期性波动：工作日与周末的交易模式不同，大促期间的欺诈率显著上升。
• 外部冲击：监管政策变化、黑产工具升级、宏观经济波动都会导致数据分布突变。

切分约束：训练集和测试集必须来自相同或相近的分布。如果训练集只包含1-6月的数据，而测试集包含7-12月的数据，且7月发生了重大政策变更，则模型评估结果将不可靠。切分策略需要引入时间衰减权重或滑动窗口来适应分布漂移。

3.3 时序相关性：切分不能破坏特征与标签的时间对齐

时序相关性不仅存在于样本之间，还存在于特征与标签之间。在风控特征工程中，许多特征本身就是基于历史时间窗口计算的：

• 滑动窗口特征：过去30天内该用户的交易次数、过去7天内该设备的IP变更次数。
• 滞后特征：上一次交易金额、上一次登录时间距现在的小时数。
• 差分特征：当前交易金额与过去3笔交易平均金额的差值。

切分约束：在切分时，必须保证特征计算所依赖的历史数据不被切分到测试集。如果训练集和测试集在时间上重叠，或者测试集样本被用于计算训练集样本的特征，就会产生特征泄露。

3.4 三种特性对切分策略的综合影响

在实际的实时风控系统中，三种特性往往同时存在，相互叠加。下表总结了它们对切分策略的具体影响：

3.5 实战案例：特征泄露的切分陷阱

以下代码展示了一个典型的特征泄露场景：在切分前计算了全局滑动窗口特征，导致训练集和测试集共享了未来信息。

import pandas as pd
import numpy as np

# 错误做法：先计算特征，再切分
df = pd.read_csv('transactions.csv')
df['avg_amount_30d'] = df.groupby('user_id')['amount'].transform(
    lambda x: x.rolling(30, min_periods=1).mean()
)
# 此时 avg_amount_30d 已经包含了未来交易的信息

# 随机切分（错误）
train = df.sample(frac=0.7, random_state=42)
test = df.drop(train.index)
# 测试集中的交易可能被用于计算训练集中用户的 avg_amount_30d

# 正确做法：先按时间切分，再在各自窗口内计算特征
df = df.sort_values('timestamp')
cutoff = df['timestamp'].quantile(0.7)
train_df = df[df['timestamp'] <= cutoff].copy()
test_df = df[df['timestamp'] > cutoff].copy()

# 在训练集内计算特征（只使用训练集的历史数据）
train_df['avg_amount_30d'] = train_df.groupby('user_id')['amount'].transform(
    lambda x: x.rolling(30, min_periods=1).mean()
)
# 在测试集内计算特征（只使用测试集的历史数据，且不跨越切分点）
test_df['avg_amount_30d'] = test_df.groupby('user_id')['amount'].transform(
    lambda x: x.rolling(30, min_periods=1).mean()
)

3.6 切分约束的工程落地检查清单

在实时风控系统的开发中，建议使用以下检查清单来验证切分策略是否正确：

• 时间戳检查：训练集的最大时间戳是否小于测试集的最小时间戳？
• 特征回溯检查：所有滑动窗口特征是否只使用了切分点之前的数据？
• 分布漂移检查：训练集和测试集的特征分布是否存在显著差异（使用KS检验或PSI指标）？
• 泄露检测：是否存在某个特征在训练集和测试集中取值完全相同（可能是全局计算导致的泄露）？
• 时间对齐检查：标签的时间是否晚于所有特征的时间？