4、样本切分原则：避免未来信息泄露、训练集/验证集/测试集的时间顺序划分、滑动窗口与扩展窗口

在信用额度定价模型中，时间序列数据的样本切分与独立同分布（i.i.d.）数据有本质区别。错误的切分方式会导致未来信息泄露，使模型在离线验证时表现优异，上线后却大幅衰退。本章围绕时序样本切分的三大核心原则展开：避免未来信息泄露、时间顺序划分、滑动窗口与扩展窗口。

4.1 未来信息泄露：时序建模的头号风险

未来信息泄露是指模型在训练时接触到了“未来”的真实标签或特征，导致验证指标失真。在信用额度定价中，常见泄露场景包括：

• 全局归一化：使用全量数据的均值/标准差对特征做标准化，相当于用未来数据调整过去样本。
• 标签穿越：将未来逾期标签直接关联到当前时间点的特征上，而未做时间对齐。
• 特征混用：使用未来时间点的宏观指标（如下月CPI）作为当前样本的输入特征。

4.2 时间顺序划分：训练集 → 验证集 → 测试集

时序样本必须严格按照时间先后顺序进行划分，禁止随机打乱。标准划分策略如下：

划分时需注意：

• 验证集必须位于训练集之后，测试集位于验证集之后。
• 禁止使用未来数据做交叉验证（如K-Fold），应使用时间序列交叉验证。
• 每个数据集内部保持时间连续性，不跳跃、不混排。

4.3 滑动窗口与扩展窗口：两种主流时序切分策略

当需要多次验证模型在时间轴上的稳定性时，滑动窗口和扩展窗口是两种标准方法。下图展示了二者的核心差异：

4.4 两种窗口策略的对比与选择

4.5 时序切分代码示例（Python）

以下代码展示了如何使用 TimeSeriesSplit 实现滑动窗口与扩展窗口切分：

import numpy as np
from sklearn.model_selection import TimeSeriesSplit

# 模拟时间序列数据（共24个月）
n_months = 24
X = np.random.randn(n_months, 5)
y = np.random.randint(0, 2, n_months)

# 滑动窗口：固定训练集大小为12个月，验证集3个月，测试集3个月
tscv_sliding = TimeSeriesSplit(
    n_splits=3,
    max_train_size=12,   # 固定窗口大小
    test_size=3
)

print("=== 滑动窗口切分 ===")
for i, (train_idx, test_idx) in enumerate(tscv_sliding.split(X)):
    print(f"Fold {i+1}: 训练集 {train_idx[0]}-{train_idx[-1]}, 测试集 {test_idx[0]}-{test_idx[-1]}")

# 扩展窗口：不限制训练集大小，逐步扩展
tscv_expanding = TimeSeriesSplit(
    n_splits=3,
    max_train_size=None,  # 不限制，逐步扩展
    test_size=3
)

print("\n=== 扩展窗口切分 ===")
for i, (train_idx, test_idx) in enumerate(tscv_expanding.split(X)):
    print(f"Fold {i+1}: 训练集 {train_idx[0]}-{train_idx[-1]}, 测试集 {test_idx[0]}-{test_idx[-1]}")

4.6 实践检查清单

在信用额度定价项目中，每次进行样本切分前，请逐项确认：

1. 时间顺序：训练集、验证集、测试集是否严格按时间先后排列？
2. 无未来信息：特征工程中是否使用了未来时间点的数据（如未来宏观指标）？
3. 窗口策略：是否根据业务迭代频率选择了合适的窗口类型？
4. 验证集独立性：验证集是否完全独立于训练集，且位于训练集之后？
5. 测试集隔离：测试集是否仅在最终评估时使用，从未参与训练或调参？