4. 时间序列切分原则

时间序列数据与横截面数据在训练集切分上存在本质差异。横截面数据可以随机打乱后划分，而时间序列数据必须严格遵循时间顺序，否则会引入未来信息泄露，导致模型在回测中表现虚高、实盘失效。本节系统阐述时间序列切分的特殊性、核心避坑原则以及前向验证与回测的关键区别。

4.1 时间序列数据切分的特殊性

时间序列数据具有时间依赖性和序列自相关性，相邻样本之间并非独立同分布。切分时必须保留时间顺序，不能使用随机划分或 K 折交叉验证的默认方式。

4.2 避免未来信息泄露

未来信息泄露是时间序列建模中最常见且最隐蔽的错误。当模型在训练阶段接触到了未来时刻的数据特征或标签时，就会产生泄露，导致回测收益虚高、实盘收益崩塌。

常见泄露场景

• 特征泄露：使用未来时刻的价格、成交量、财务数据作为当前时刻的特征。例如，用 t+1 日的收益率作为 t 日的预测特征。
• 标签泄露：训练集和验证集的时间窗口重叠，导致验证集标签被训练集间接学习。
• 预处理泄露：在切分前对整个数据集进行标准化、归一化或缺失值填充，导致训练集使用了验证集的统计量。
• 回测泄露：在回测中使用未来信息进行调仓、止损或再平衡决策。

4.3 前向验证与回测的区别

前向验证（Forward Validation）和回测（Backtesting）是时间序列模型评估中两个紧密相关但概念不同的环节。下表从目的、执行方式和输出结果三个维度进行区分。

4.4 前向验证的两种主流切分方式

前向验证中，最常用的两种切分方式是滚动窗口和扩展窗口。下面通过 SVG 流程图展示两者的结构差异。

4.5 时间序列切分的代码实现示例

以下 Python 代码展示了使用扩展窗口进行前向验证的典型实现。注意每次切分时只使用历史数据，且预处理操作在窗口内重新执行。

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

def forward_validation_expanding_window(df, feature_cols, target_col, min_train_len=252):
    """
    扩展窗口前向验证
    df: 按时间排序的 DataFrame
    min_train_len: 最小训练集长度（例如 252 个交易日）
    """
    predictions = []
    actuals = []
    timestamps = []

    for i in range(min_train_len, len(df)):
        # 训练集：从起点到 i-1
        train = df.iloc[:i]
        # 验证集：第 i 个样本
        test = df.iloc[[i]]

        # 在训练集内重新计算均值和标准差（避免未来信息泄露）
        train_mean = train[feature_cols].mean()
        train_std = train[feature_cols].std()

        X_train = (train[feature_cols] - train_mean) / train_std
        y_train = train[target_col]

        X_test = (test[feature_cols] - train_mean) / train_std
        y_test = test[target_col]

        # 训练模型
        model = LinearRegression()
        model.fit(X_train, y_train)

        # 预测
        y_pred = model.predict(X_test)[0]

        predictions.append(y_pred)
        actuals.append(y_test.values[0])
        timestamps.append(df.index[i])

    # 计算整体误差
    rmse = np.sqrt(mean_squared_error(actuals, predictions))
    return pd.DataFrame({'timestamp': timestamps, 'actual': actuals, 'predicted': predictions}), rmse

4.6 时间序列切分常见错误与纠正