3. 观察期与表现期设定
在精算建模中，观察期与表现期的设定直接决定了坏样本的定义质量与模型的预测能力。观察期用于提取特征变量，表现期用于观测目标事件（如违约、理赔）是否发生。两者的长度、窗口定义及对齐策略是构建可靠坏样本的基石。
3.1 观察期长度选择原则
观察期长度决定了特征变量的时间跨度与信息丰富度。选择过短会导致特征不稳定，过长则可能引入历史噪音或导致样本量不足。
| 原则 | 说明 | 典型长度 |
|---|---|---|
| 业务周期匹配 | 观察期应覆盖至少一个完整的业务周期（如账单周期、保费缴纳周期） | 6–12 个月 |
| 特征稳定性 | 观察期内的行为特征应具有统计稳定性，避免季节性波动 | ≥ 3 个月 |
| 样本量约束 | 观察期越长，可纳入的样本越少（需回溯更早的数据） | 根据数据存量调整 |
| 模型用途 | 用于贷前审批的模型通常使用较短观察期（3–6 个月）；用于行为评分可使用较长观察期（12–24 个月） | 3–24 个月 |
实践建议：在信贷场景中，观察期长度通常设定为 6 个月或 12 个月。6 个月观察期在特征稳定性与样本量之间取得较好平衡，是多数精算模型的首选。
3.2 表现期窗口定义
表现期窗口是用于观测目标事件是否发生的时间区间。窗口长度决定了坏样本的识别充分性与时效性。
- 固定窗口：设定一个固定的时间长度（如 12 个月），在窗口内发生目标事件即标记为坏样本。
- 滚动窗口：以观察期结束日为起点，向后滚动观测，适用于动态监控场景。
- 生存窗口：不固定截止时间，使用生存分析模型处理右删失数据。
| 窗口类型 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 固定窗口 | 信贷审批、保险核保 | 定义清晰，易于实现 | 可能遗漏窗口外发生的风险事件 |
| 滚动窗口 | 行为评分卡、早期预警 | 时效性强，可捕捉近期风险 | 窗口长度不统一，建模复杂度高 |
| 生存窗口 | 寿险、长期健康险 | 充分利用所有观测数据 | 需要生存分析专业知识 |
注意：表现期窗口过短（如 3 个月）可能导致坏样本识别不足，模型低估风险；窗口过长（如 36 个月）则样本时效性差，无法反映近期风险变化。建议根据业务风险暴露速度选择 12–24 个月。
3.3 表现期与观察期的对齐策略
对齐策略决定了样本的时间归属与特征-标签对应关系。常见的对齐方式包括：
- 固定时间点对齐：所有样本以同一日历时间点划分观察期与表现期，适用于截面数据。
- 滚动时间点对齐：每个样本以自身进入观察期的时点为基准，向后划分表现期，适用于纵向数据。
- 混合对齐：结合固定与滚动方式，在保证样本量的同时控制时间偏差。
关键公式：样本 i 的坏样本标记条件：
Bad_i = 1, if 事件发生在 [观察期结束日, 观察期结束日 + 表现期长度] 内Bad_i = 0, otherwise
3.4 时间窗口对坏样本定义的影响
时间窗口的选择直接影响坏样本的构成与模型性能。以下通过对比表说明不同窗口设定下的差异：
| 窗口设定 | 坏样本率 | 模型区分度 (AUC) | 样本量 | 业务解释性 |
|---|---|---|---|---|
| 观察期 6 月 + 表现期 12 月 | 5–8% | 0.72–0.78 | 充足 | 良好 |
| 观察期 12 月 + 表现期 12 月 | 8–12% | 0.75–0.82 | 中等 | 优秀 |
| 观察期 3 月 + 表现期 6 月 | 2–4% | 0.65–0.70 | 充足 | 较差 |
| 观察期 24 月 + 表现期 24 月 | 12–18% | 0.78–0.85 | 较少 | 优秀 |
从表中可以看出：
- 延长观察期与表现期通常能提升模型区分度，但会减少可用样本量。
- 过短的表现期会导致坏样本率偏低，模型难以学习到风险模式。
- 过长的观察期可能引入历史行为噪音，且样本代表性下降。
核心结论：观察期与表现期的设定没有绝对标准，需根据业务风险暴露速度、数据存量与模型用途综合权衡。建议在建模初期进行窗口敏感性分析，选择使模型 AUC 稳定且样本量充足的窗口组合。