4、时间序列切分（上）：按时间顺序划分训练/验证/测试集，避免未来信息泄露

在额度定价模型中，时间维度是最容易被忽视却又最具破坏力的泄露源。当模型使用未来的数据去“预测”过去的行为时，看似完美的 AUC 指标背后，是上线后断崖式下跌的区分能力。本节将系统讲解时间序列切分的核心原则与实操方法。

4.1 为什么额度定价必须使用时间序列切分

额度定价模型与普通分类模型有一个本质区别：样本之间存在时间依赖关系。用户的还款表现、收入变化、信用评分都随时间动态演化，如果随机打乱数据，模型会学到“未来模式”，导致严重的过拟合。

4.2 时间序列切分的三种标准模式

根据数据量和业务场景的不同，常用的时间序列切分有三种模式。以下按推荐优先级排列：

1. 固定时间窗口切分 — 适用于数据量充足、业务稳定的场景。设定一个固定长度的训练窗口（如最近12个月），验证集为接下来的3个月，测试集为再接下来的3个月。
2. 滚动时间窗口切分 — 适用于数据量有限、需要充分利用历史数据的场景。训练窗口随时间滚动，每次切分都保留最新的验证和测试数据。
3. 时间序列交叉验证 — 适用于样本量较小、需要更稳健评估的场景。按时间顺序依次切分多组训练/验证对，最终取平均指标。

4.3 时间序列切分流程详解

以下是一个完整的固定时间窗口切分实现流程，包含数据排序、时间边界划分和样本分配三个核心步骤：

import pandas as pd
import numpy as np
from datetime import datetime, timedelta

def time_series_split(df, date_col, train_end, val_end, test_end):
    """
    按时间顺序切分训练/验证/测试集
    Parameters:
        df: 原始数据框
        date_col: 时间列名
        train_end: 训练集截止日期
        val_end: 验证集截止日期
        test_end: 测试集截止日期
    Returns:
        train_df, val_df, test_df
    """
    # 1. 按时间排序
    df = df.sort_values(by=date_col).reset_index(drop=True)
    
    # 2. 划分时间边界
    train_df = df[df[date_col] < train_end].copy()
    val_df = df[(df[date_col] >= train_end) & (df[date_col] < val_end)].copy()
    test_df = df[(df[date_col] >= val_end) & (df[date_col] < test_end)].copy()
    
    # 3. 检查各集合样本量
    print(f"训练集: {len(train_df)} 条, 时间范围: {train_df[date_col].min()} ~ {train_df[date_col].max()}")
    print(f"验证集: {len(val_df)} 条, 时间范围: {val_df[date_col].min()} ~ {val_df[date_col].max()}")
    print(f"测试集: {len(test_df)} 条, 时间范围: {test_df[date_col].min()} ~ {test_df[date_col].max()}")
    
    return train_df, val_df, test_df

# 使用示例
train_end = datetime(2023, 6, 30)
val_end = datetime(2023, 9, 30)
test_end = datetime(2023, 12, 31)
train, val, test = time_series_split(loan_data, 'apply_date', train_end, val_end, test_end)

4.4 时间序列切分与额度定价的适配关系

额度定价模型通常使用申请日作为时间锚点。这是因为用户的额度决策完全基于申请时的信息，后续的还款表现只是标签。如果使用表现期结束日作为时间锚点，就会引入严重的未来信息泄露。

下表总结了不同时间锚点选择对模型的影响：

4.5 时间序列切分的可视化流程

下图展示了固定时间窗口切分的完整流程，从原始数据到最终的三集合划分：

4.6 时间序列切分的常见误区与避坑指南

• 误区一：使用随机种子打乱数据后再切分 — 这会完全破坏时间顺序，导致未来信息泄露。正确做法是先按时间排序，再切分。
• 误区二：切分后不检查时间范围 — 数据中可能存在异常时间戳（如未来日期、历史补录数据），导致切分边界错位。建议切分后打印 min/max 时间进行校验。
• 误区三：验证集和测试集时间窗口过短 — 如果窗口内样本量不足，评估指标方差会很大。建议验证集和测试集至少包含 3 个月的数据，且样本量不低于 5000 条。
• 误区四：忽略节假日和业务周期 — 额度定价模型受季节性影响显著（如双十一、春节）。切分时应确保训练集和验证集覆盖完整的业务周期，避免只在淡季训练、旺季验证。

4.7 时间序列切分与额度定价模型的联动关系

下图展示了时间序列切分在额度定价模型全流程中的位置，以及它如何影响后续的模型训练、验证和上线部署：