4、时间偏差校验：定义与成因（概念漂移、季节效应）、在时序预测模型中的表现、校验方法（滚动窗口对比、PSI）

4.1 时间偏差的定义与核心成因

时间偏差（Temporal Bias）是指模型训练样本与预测目标在时间维度上分布不一致，导致模型在真实业务场景中失效。金融数据天然具有时间序列属性，样本的时间切片若不能代表未来环境，模型性能将急剧下降。

4.1.1 概念漂移（Concept Drift）

概念漂移指目标变量与特征之间的关系随时间发生结构性变化。金融领域常见诱因包括：

• 政策法规变更：如LPR改革、房地产三道红线，改变信贷违约模式。
• 市场环境突变：2020年疫情导致消费信贷逾期率骤升，历史正常样本不再代表新常态。
• 数据采集方式变化：风控系统升级后，特征字段口径或缺失模式改变。

4.1.2 季节效应（Seasonal Effect）

季节效应是时间偏差中可预测的周期性成分，在金融场景中表现显著：

• 消费信贷：春节、双十一前后借贷需求激增，还款行为受年终奖发放节奏影响。
• 信用卡交易：月末、季末刷卡量波动，节假日欺诈交易模式不同。
• 股票市场：财报季、年末机构调仓导致波动率结构变化。

4.2 时间偏差在时序预测模型中的表现

时间偏差对模型的影响可通过以下维度观察：

4.3 时间偏差校验方法

4.3.1 滚动窗口对比（Rolling Window Comparison）

通过固定时间窗口滑动对比模型在不同时间段的预测分布与性能，识别偏差趋势。

实施步骤：

1. 定义窗口：设定窗口大小（如3个月）和步长（如1个月）。
2. 计算指标：对每个窗口计算模型预测分数分布、KS、AUC、PSI。
3. 趋势分析：绘制指标随时间的变化曲线，观察是否存在单调上升/下降趋势。
4. 阈值判定：若连续3个窗口PSI > 0.1 或 KS 下降超过20%，触发偏差告警。

# Python 伪代码：滚动窗口 PSI 计算
import pandas as pd
import numpy as np

def rolling_psi(score_series, date_series, window=90, step=30):
    """
    滚动窗口计算 PSI
    score_series: 模型预测分数
    date_series: 日期序列
    window: 窗口大小（天）
    step: 步长（天）
    """
    dates = sorted(date_series.unique())
    results = []
    for i in range(0, len(dates) - window, step):
        train_end = dates[i + window]
        train_start = dates[i]
        # 取当前窗口为实际分布，前一个窗口为预期分布
        actual = score_series[(date_series >= train_start) & (date_series < train_end)]
        expected = score_series[(date_series >= dates[max(0, i - window)]) & (date_series < train_start)]
        if len(expected) == 0:
            continue
        psi = calculate_psi(expected, actual, bins=10)
        results.append({'window_end': train_end, 'psi': psi})
    return pd.DataFrame(results)

4.3.2 群体稳定性指标（PSI）

PSI 是量化时间偏差最常用的指标，衡量两个时间窗口内模型预测分数分布的差异。

PSI 计算公式：

PSI = Σ (Actual_i - Expected_i) * ln(Actual_i / Expected_i)

其中：
- Expected_i: 基准窗口（如训练集）第 i 分箱的样本占比
- Actual_i: 当前窗口（如验证集）第 i 分箱的样本占比
- 分箱数通常取 10 等宽分箱

PSI 判定标准：

4.4 时间偏差校验流程（SVG）

4.5 季节效应校验与处理（SVG）

4.6 时间偏差校验清单