4. 时间序列切分策略：滚动窗口验证、扩展窗口验证、时间序列交叉验证

信用额度定价模型依赖历史授信与还款行为数据，这些数据天然具有时间顺序。若采用随机切分（如 K-Fold），会造成未来信息泄露（look-ahead bias），导致模型在线上表现严重高估。本章专门针对时间序列数据的切分策略，介绍三种主流方法：滚动窗口验证、扩展窗口验证和时间序列交叉验证。

4.1 为什么不能使用随机 K-Fold

在信用额度场景中，用户行为、宏观经济、风控策略均随时间变化。随机切分会将未来的样本混入训练集，使模型学到本不应提前获知的模式。下表总结了随机切分与时间序列切分的核心差异：

4.2 滚动窗口验证（Rolling Window Validation）

滚动窗口验证固定训练集窗口大小，每次向前滑动一个或多个时间步，用固定长度的历史数据训练模型，预测下一个时间窗口。窗口大小不变，像“滚轮”一样向前推进。

核心步骤：

1. 设定窗口长度 W（如 12 个月）和步长 S（如 1 个月）。
2. 第 1 轮：训练集 = 第 1~W 月，验证集 = 第 W+1 月。
3. 第 2 轮：训练集 = 第 2~W+1 月，验证集 = 第 W+2 月。
4. 重复直到覆盖全部时间范围。

4.3 扩展窗口验证（Expanding Window Validation）

扩展窗口验证的训练集起点固定，终点不断向后扩展。训练集长度随时间单调递增，验证集始终是紧邻的下一个时间窗口。这种方法保留了全部历史信息，适合长期趋势明显的场景。

核心步骤：

1. 设定初始训练集长度 L₀（如 12 个月）。
2. 第 1 轮：训练集 = 第 1~12 月，验证集 = 第 13 月。
3. 第 2 轮：训练集 = 第 1~13 月，验证集 = 第 14 月。
4. 第 3 轮：训练集 = 第 1~14 月，验证集 = 第 15 月，以此类推。

4.4 时间序列交叉验证（Time Series Cross-Validation）

时间序列交叉验证是滚动窗口和扩展窗口的泛化形式。它将时间轴划分为 K 个连续块，每次用前 k 个块训练，第 k+1 个块验证，k 从 1 递增到 K-1。这种方法在保持时间顺序的同时，提供了多轮验证评估，能更稳定地估计模型性能。

与标准 K-Fold 的关键区别：

4.5 三种策略对比与选择指南

下表从多个维度对比三种时间序列切分策略，帮助你在信用额度定价项目中做出选择：

4.6 代码实现示例（Python）

以下代码展示了如何使用 sklearn.model_selection.TimeSeriesSplit 实现时间序列交叉验证，并计算每轮的评估指标：

import numpy as np
import pandas as pd
from sklearn.model_selection import TimeSeriesSplit
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.metrics import roc_auc_score

# 假设 df 包含 24 个月的数据，按月份排序
# df['month'] 为 1~24，df['feature1'], df['feature2'] 为特征，df['default'] 为目标

X = df[['feature1', 'feature2']].values
y = df['default'].values

# 设定 6 折时间序列交叉验证（每折 4 个月）
tscv = TimeSeriesSplit(n_splits=6)

auc_scores = []
fold = 1

for train_index, val_index in tscv.split(X):
    X_train, X_val = X[train_index], X[val_index]
    y_train, y_val = y[train_index], y[val_index]
    
    model = GradientBoostingClassifier(n_estimators=100, max_depth=3)
    model.fit(X_train, y_train)
    
    y_pred = model.predict_proba(X_val)[:, 1]
    auc = roc_auc_score(y_val, y_pred)
    auc_scores.append(auc)
    
    print(f"Fold {fold}: Train size={len(train_index)}, Val size={len(val_index)}, AUC={auc:.4f}")
    fold += 1

print(f"\n平均 AUC: {np.mean(auc_scores):.4f} ± {np.std(auc_scores):.4f}")

4.7 额度定价中的特殊注意事项

• 策略变更点： 如果业务在某个时间点调整了授信策略（如提高通过率），该时间点前后数据分布会发生突变。建议在策略变更点处强制切分，避免训练集跨越策略变更点。
• 季节性处理： 信用额度使用率往往存在季节性（如春节、双十一）。验证集应包含完整的季节周期，否则模型可能因季节效应被误判。
• 样本权重衰减： 在扩展窗口验证中，可对训练样本按时间远近赋予不同权重（近期样本权重更高），进一步提升模型对最新模式的适应能力。
• 冷启动问题： 对于新上线产品，历史数据不足时，可先使用滚动窗口（窗口长度设为最小可用数据量），待数据积累后再切换为扩展窗口或时间序列交叉验证。