4. 观察点与表现期：时间窗口的对齐艺术
在风险定价样本构建中，观察点与表现期是定义样本标签和特征时间窗口的核心概念。错误的窗口对齐会导致样本选择偏差（Survivorship Bias）和标签泄漏（Label Leakage），直接影响模型区分能力和定价公平性。本节将系统定义观察点、比较不同表现期长度（12M vs 24M）的适用场景，并给出严格的时间窗口对齐规则。
4.1 观察点定义
观察点（Observation Point / Snapshot Date）是样本构建的基准时间锚点。在该时间点上，我们截取借款人的所有特征信息（如征信查询次数、负债率、收入稳定性等），并以此作为模型输入。观察点之后的一段时间（表现期）用于观察借款人的违约表现，从而生成标签。
关键原则：观察点必须是历史时间点，且特征信息只能使用观察点之前或当天的数据，严禁使用未来信息。
观察点的选择通常遵循以下规则：
- 业务起点对齐：观察点通常设定在贷款发放日、申请日或账单日，具体取决于建模目标（贷前审批 vs 贷中管理）。
- 时间序列均匀分布：在构建跨时间样本时，观察点应均匀分布在时间轴上（如每月1日或每季度初），避免集中在特定经济周期。
- 避免信息重叠：相邻观察点之间的间隔应大于表现期长度，确保样本之间无时间窗口重叠。
4.2 表现期长度选择：12M vs 24M
表现期（Performance Window / Outcome Period）是从观察点开始向后延伸的一段时间，用于定义借款人是否发生违约。表现期长度的选择直接影响标签的充分性和样本量。
| 维度 | 12M（12个月） | 24M（24个月） |
|---|---|---|
| 标签充分性 | 仅捕获短期违约风险，可能遗漏中期违约 | 捕获更完整的违约生命周期，标签更充分 |
| 样本量 | 可用历史数据范围更广，样本量更大 | 需要更长的历史数据回溯，样本量减少 |
| 时效性 | 模型更新频率更高，适应市场变化快 | 模型更新周期长，可能滞后于市场变化 |
| 适用场景 | 短期消费贷、现金贷、信用卡分期 | 长期抵押贷、车贷、企业经营贷 |
| 违约定义稳定性 | 受短期波动影响大，标签噪声较高 | 违约定义更稳定，标签噪声较低 |
实战建议：对于大多数消费金融场景，建议优先使用 12M 表现期作为主模型标签，同时使用 24M 表现期构建辅助模型或进行稳健性检验。如果业务产品期限较短（如 6 期分期），可考虑使用 6M 表现期。
4.3 时间窗口对齐规则
时间窗口对齐的核心是确保特征窗口、观察点、表现期三者之间形成严格的时序关系，避免未来信息泄露。下图展示了标准的时间窗口对齐结构：
时间窗口对齐必须遵守以下三条硬性规则：
- 特征窗口封闭规则：所有特征计算只使用观察点之前（含观察点当天）的数据。例如，观察点为 2023-01-01，则特征窗口为 [2022-01-01, 2023-01-01]。
- 表现期后向延伸规则：表现期从观察点次日开始计算。对于 12M 表现期，观察点为 2023-01-01，则表现期覆盖 [2023-01-02, 2024-01-01]。
- 无重叠窗口规则：相邻观察点之间的间隔必须大于表现期长度。例如，使用 12M 表现期时，观察点间隔至少为 13 个月。
4.4 样本切分中的时间窗口实践
在实际样本构建中，我们通常将时间窗口对齐规则应用于训练集、验证集和测试集的切分。以下是一个典型的切分方案：
常见陷阱：切勿将观察点设置在表现期中间或之后。例如，使用 2023-06 作为观察点，但表现期却回溯到 2022-06，这会导致特征窗口包含未来信息，模型在实盘部署时性能大幅下降。
4.5 表现期长度选择的决策框架
选择 12M 还是 24M 表现期，需要综合考虑以下因素：
- 产品期限：产品期限越长，所需表现期越长。12 期分期产品建议 12M，36 期以上建议 24M。
- 违约时间分布：分析历史违约的时间分布，如果大部分违约发生在前 12 个月，12M 即可；如果违约在 12-24 个月仍有显著比例，应选择 24M。
- 业务更新频率：需要快速迭代模型的业务（如现金贷），优先选择 12M 以保持样本时效性。
- 监管要求：部分监管机构要求使用至少 24M 的表现期来验证模型长期稳定性。
最佳实践：在项目初期，同时构建 12M 和 24M 两套样本，分别训练模型并比较 AUC、KS 等区分力指标。如果 12M 模型的区分力不低于 24M 模型的 95%，则优先选择 12M 以获取更大样本量和更高时效性。