2. 样本构建基础：样本定义、样本与特征、标签的关系

在风险归因模型中，样本是模型学习的“原材料”。样本构建的质量直接决定了模型能否准确捕捉风险因子与违约/损失之间的因果关系。本节从最基础的三个概念出发，厘清样本、特征、标签的定义及其内在联系。

2.1 样本定义：从“数据点”到“风险单元”

在金融风控场景中，一个样本（Sample）通常对应一个风险单元——即模型在某一时刻对某一主体（客户、账户、交易、产品）的风险状态进行预测的最小分析单位。样本的定义需要明确三个维度：

2.2 样本与特征、标签的关系：模型学习的“三角结构”

风险归因模型的核心学习过程可以抽象为：利用特征（Features）预测标签（Label），而样本（Sample）是承载这一映射关系的容器。三者构成一个不可分割的三角结构：

2.3 样本构建的三种基本模式

根据业务场景和标签获取方式的不同，样本构建通常分为以下三种模式：

1. 截面样本（Cross-sectional）：在单一时间点对多个主体采样，每个主体只产生一个样本。适用于申请评分卡、一次性评估。
2. 时间序列样本（Time-series）：对同一主体在多个时间点重复采样，每个时间点产生一个样本。适用于贷后监控、交易反欺诈。
3. 面板样本（Panel）：结合截面和时间序列，对多个主体在多个时间点采样，形成三维数据结构。适用于风险归因、因果推断。

2.4 特征与标签的时间对齐：避免“未来信息”污染

在风险归因模型中，特征必须严格在标签之前或同时获取，绝不能使用标签发生之后的信息作为特征。这是样本构建中最容易出错、也最致命的陷阱。

正确的时间对齐策略如下：

• 观察窗口（Observation Window）：用于提取特征的时间区间，通常为标签发生前的一段时间（如过去6个月）。
• 表现窗口（Performance Window）：用于定义标签的时间区间，通常为观察窗口之后的一段时间（如未来12个月）。
• 间隔期（Gap）：观察窗口结束与表现窗口开始之间的缓冲期，用于确保特征信息完全可用。

2.5 样本构建的常见陷阱与避坑指南

2.6 样本构建的代码示例：Python 实现

以下代码展示了如何使用 Python 构建一个简单的风险归因样本集，包含特征提取、标签定义和时间对齐：

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

# 模拟原始交易数据
np.random.seed(42)
n_customers = 1000
dates = pd.date_range('2023-01-01', '2024-06-30', freq='D')

# 构建样本：每个客户每月一个样本
samples = []
for cust_id in range(n_customers):
    # 随机选择开户日期
    open_date = np.random.choice(dates)
    # 生成12个月的月度样本
    for month_offset in range(12):
        sample_date = open_date + timedelta(days=month_offset*30)
        if sample_date > datetime(2024, 6, 30):
            break
        
        # 特征：过去3个月的交易统计（观察窗口）
        past_3m_start = sample_date - timedelta(days=90)
        # 模拟特征值
        features = {
            'customer_id': cust_id,
            'sample_date': sample_date,
            'avg_transaction_amt': np.random.exponential(500),
            'transaction_count': np.random.poisson(10),
            'max_delay_days': np.random.randint(0, 30),
            'utilization_rate': np.random.beta(2, 5)
        }
        
        # 标签：未来6个月是否逾期超过30天（表现窗口）
        future_6m_end = sample_date + timedelta(days=180)
        # 模拟逾期标签
        label = 1 if np.random.random() < 0.15 else 0
        
        features['label'] = label
        samples.append(features)

# 构建DataFrame
df = pd.DataFrame(samples)
print(f"样本总数: {len(df)}")
print(f"正样本比例: {df['label'].mean():.2%}")
print("\n样本前5行:")
print(df.head())