3. 时间序列特性：信贷数据的天然时间依赖性，为什么随机切分会导致严重的未来信息泄露

信贷数据与普通静态数据集（如客户画像、产品推荐）最本质的区别在于其时间序列属性。每一笔贷款申请、每一次还款行为、每一个逾期事件都发生在特定的时间点上，且后续行为往往依赖于前期状态。这种天然的时间依赖性使得训练集切分不能采用简单的随机抽样，否则将引发严重的未来信息泄露，导致模型在离线评估时表现优异，上线后却迅速失效。

3.1 信贷数据的时间依赖结构

信贷数据的时间依赖性体现在三个层面：

• 样本层面：同一客户在不同时间点的申请记录、额度使用、还款行为构成时间序列，后一时刻的状态受前一时刻影响。
• 特征层面：许多特征本身就是时间累积变量，如“近6个月逾期次数”、“近3个月查询次数”，这些特征天然包含了时间窗口信息。
• 标签层面：逾期标签通常需要观察未来一段时间（如未来30天、90天）的表现才能确定，标签本身跨越了时间。

3.2 随机切分如何导致未来信息泄露

假设我们有一份信贷数据集，时间跨度从2023年1月到2024年6月。如果采用随机切分（例如80%训练集、20%测试集），会发生以下信息泄露路径：

1. 直接时间泄露：训练集中可能包含2024年3月的样本，而测试集中可能包含2023年6月的样本。模型在训练时“看到”了未来的样本分布，测试时却用过去的数据评估，评估结果虚高。
2. 特征计算泄露：假设特征“近3个月查询次数”需要查询前3个月的数据。如果训练集和测试集的时间窗口重叠，训练集样本的特征可能使用了测试集时间范围内的查询记录。
3. 标签泄露：逾期标签需要未来观察期。如果训练集样本的观察期跨越了测试集的时间段，那么训练集标签实际上包含了测试集时间内的真实表现信息。
4. 分布偏移掩盖：随机切分将不同时间段的样本混合在一起，模型学习到的是“平均分布”，无法捕捉到时间推移带来的分布变化（如客群质量下降、审批政策收紧）。

3.3 时间泄露的SVG示意图

下图展示了随机切分与时间顺序切分在信息流上的本质区别：

3.4 时间依赖带来的三大切分陷阱

3.5 时间顺序切分的正确做法

针对信贷数据的时间依赖性，必须采用时间顺序切分（Time-based Split），而非随机切分。核心原则是：训练集的时间必须早于验证集，验证集的时间必须早于测试集。

3.6 时间切分后的验证策略

采用时间顺序切分后，还需要配合以下验证策略来确保模型的时间泛化能力：

• 时间序列交叉验证（Time Series CV）：按时间顺序滚动切分，每次用前N个月训练，后1个月验证，评估模型在不同时间点的稳定性。
• 回溯测试（Backtesting）：模拟模型在历史时间点上的表现，验证模型是否能够适应不同经济周期。
• 时间稳定性指标：计算特征分布、模型分数分布、KS值、AUC等指标在时间维度上的波动性，监控模型是否随时间退化。