3、时间序列切分基础：时间序列数据的特点、滚动窗口切分、扩展窗口切分、固定窗口切分

在绩效归因模型训练中，样本数据通常以时间序列形式存在——收益率、因子暴露、行业权重等指标按时间顺序排列。与独立同分布数据不同，时间序列样本之间存在时间依赖性和序列相关性，这决定了我们不能使用随机打乱（shuffle）的方式进行样本切分，而必须采用时间感知的窗口切分策略。

3.1 时间序列数据的特点

理解时间序列数据的固有特性，是选择正确切分方法的前提。下表总结了时间序列数据与横截面数据在样本切分时的关键差异：

时间序列数据还常表现出非平稳性（均值、方差随时间变化）和季节性（如月度效应、季度效应），这些特点要求切分策略能够捕捉不同市场环境下的模型表现，而非仅依赖单一时间段的拟合结果。

3.2 三种核心窗口切分方法

针对绩效归因模型训练，业界主要采用三种时间序列切分策略：滚动窗口、扩展窗口和固定窗口。下图展示了三种方法的切分逻辑对比：

3.3 滚动窗口切分（Rolling Window）

滚动窗口（又称滑动窗口）保持训练集长度固定，每次向前滑动一个步长，丢弃最旧的数据，加入最新的数据。这种方法适用于市场环境变化较快、旧数据对当前预测价值较低的场景。

关键参数：

• 窗口长度（W）：每次训练使用的样本数量。过短会导致模型欠拟合，过长则无法及时捕捉市场变化。
• 步长（S）：每次向前移动的时间单位。步长=1时，每次只新增一个样本；步长较大时，计算效率更高但验证次数减少。
• 验证集长度（V）：每次验证使用的样本数量，通常为1个时间步或一个固定周期（如1个月）。

Python 实现示例：

import numpy as np

def rolling_window_split(dates, window_len=252, step=21, val_len=21):
    """
    滚动窗口切分生成器
    :param dates: 时间序列索引（已排序）
    :param window_len: 训练窗口长度（交易日数）
    :param step: 滑动步长
    :param val_len: 验证集长度
    :yield: (train_indices, val_indices)
    """
    total = len(dates)
    start = 0
    while start + window_len + val_len <= total:
        train_end = start + window_len
        val_end = train_end + val_len
        train_idx = list(range(start, train_end))
        val_idx = list(range(train_end, val_end))
        yield train_idx, val_idx
        start += step

3.4 扩展窗口切分（Expanding Window）

扩展窗口的训练集起始点固定，每次向前滑动时只增加新数据，不丢弃旧数据。训练集长度随时间不断增长。这种方法适用于数据量较小、或市场长期趋势稳定的场景，能够最大化利用历史信息。

扩展窗口 vs 滚动窗口：

Python 实现示例：

def expanding_window_split(dates, min_window_len=252, step=21, val_len=21):
    """
    扩展窗口切分生成器
    :param dates: 时间序列索引（已排序）
    :param min_window_len: 初始训练窗口最小长度
    :param step: 滑动步长
    :param val_len: 验证集长度
    :yield: (train_indices, val_indices)
    """
    total = len(dates)
    start = 0
    train_end = min_window_len
    while train_end + val_len <= total:
        train_idx = list(range(start, train_end))
        val_idx = list(range(train_end, train_end + val_len))
        yield train_idx, val_idx
        train_end += step

3.5 固定窗口切分（Fixed Window）

固定窗口是最简单的时间序列切分方式：在时间轴上选择一个截断点，之前的数据作为训练集，之后的数据作为验证集/测试集。通常还会进一步将验证集和测试集分开，形成“训练-验证-测试”三段式结构。

常见比例分配：

• 70% / 15% / 15%：训练集 / 验证集 / 测试集，适用于数据量充足的情况。
• 80% / 10% / 10%：训练集占比更高，适用于模型复杂度较高、需要更多训练样本的场景。
• 按时间点截断：例如“2020年之前为训练集，2020-2021年为验证集，2022年之后为测试集”，更符合业务逻辑。

Python 实现示例：

def fixed_window_split(dates, train_ratio=0.7, val_ratio=0.15):
    """
    固定窗口切分
    :param dates: 时间序列索引（已排序）
    :param train_ratio: 训练集比例
    :param val_ratio: 验证集比例
    :return: (train_indices, val_indices, test_indices)
    """
    total = len(dates)
    train_end = int(total * train_ratio)
    val_end = train_end + int(total * val_ratio)
    train_idx = list(range(0, train_end))
    val_idx = list(range(train_end, val_end))
    test_idx = list(range(val_end, total))
    return train_idx, val_idx, test_idx

3.6 三种方法的选型决策

在实际绩效归因项目中，三种方法并非互斥，而是可以组合使用。下表给出了基于不同场景的选型建议：