2. 样本定义与标签设计：好坏样本的定义标准、观察点与表现期设定

在风控建模中，样本定义与标签设计是决定模型上限的基石。如果好坏样本的定义不准确，后续的特征工程和模型训练都会偏离真实风险。本节将系统讲解逾期天数、滚动率、观察点与表现期的设定方法，以及样本窗口的划分策略。

2.1 好坏样本的定义标准

好坏样本的定义通常基于逾期天数（Days Past Due, DPD）和滚动率（Roll Rate）两个核心指标。逾期天数直接反映客户的还款延迟程度，而滚动率则揭示客户从轻度逾期向重度逾期恶化的趋势。

2.1.1 基于逾期天数的定义

逾期天数是最直观的标签定义方式。常见的定义标准如下：

2.1.2 基于滚动率的定义

滚动率衡量的是客户从当前逾期状态向更严重逾期状态迁移的概率。滚动率分析可以帮助我们识别“伪好客户”和“真坏客户”。

滚动率的计算公式为：

滚动率（M0→M1）= 当前处于 M0 且在下一周期进入 M1 的客户数 / 当前处于 M0 的客户总数

其中：
M0 = 未逾期（Current）
M1 = 逾期 1-30 天
M2 = 逾期 31-60 天
M3 = 逾期 61-90 天
M4+ = 逾期 90 天以上

通过滚动率分析，我们可以找到“坏样本”的临界点。例如，如果 M2→M3 的滚动率显著高于 M1→M2，说明一旦客户逾期超过 60 天，其恶化概率急剧上升，此时可以将逾期 60 天作为坏样本的阈值。

2.2 观察点与表现期的设定

观察点（Observation Point）和表现期（Performance Period）是样本构建的时间轴核心概念。观察点是提取特征的时间截面，表现期是观察客户后续表现的时间窗口。

2.2.1 观察点与表现期的关系

下图展示了观察点与表现期在时间轴上的位置关系：

2.2.2 观察点的选择原则

• 业务时点对齐：观察点应选择在客户完成授信审批、首次放款或账单生成等关键业务节点。
• 避免幸存者偏差：观察点不能选择在表现期之后，否则会引入未来信息，导致模型在线上失效。
• 多观察点策略：对于循环授信产品（如信用卡），可以设置多个观察点（如每月账单日），以捕捉客户行为的变化。

2.2.3 表现期的长度设定

表现期的长度直接影响标签的准确性和样本量。常见设定如下：

2.3 样本窗口划分

样本窗口划分决定了训练集、验证集和测试集的时间范围。合理的窗口划分可以避免时间穿越（Time Travel）问题，确保模型评估的可靠性。

2.3.1 样本窗口划分结构

下图展示了典型的样本窗口划分方式：

2.3.2 窗口划分的常见策略

1. 固定时间窗口：将历史数据按固定时间长度（如 6 个月）划分为训练集、验证集和测试集。适用于业务相对稳定的场景。
2. 滚动时间窗口：使用最近 N 个月的数据作为训练集，后续 M 个月作为验证集，再后续 K 个月作为测试集。适用于客群变化较快的场景。
3. 时间序列交叉验证：按时间顺序依次划分多个训练/验证对，每个验证集都是训练集之后的时间段。适用于样本量较小的场景。

2.3.3 窗口划分的避坑指南

• 按客户划分：确保同一客户的所有样本只出现在一个数据集中（训练/验证/测试），避免客户级别的信息泄露。
• 时间对齐：训练集、验证集、测试集的观察点必须严格按时间顺序排列，不能出现验证集时间早于训练集的情况。
• 表现期对齐：所有样本的表现期长度必须一致，否则标签的定义标准会不一致，导致模型学习到时间窗口长度带来的偏差。

2.4 样本定义与标签设计的完整流程

综合以上内容，样本定义与标签设计的完整流程可以总结为以下步骤：