4. 数据集构建：训练集、验证集、灰度测试集的时间窗口划分原则

在信用评分与风控建模中，时间序列的因果顺序不可逆。LightGBM 模型灰度回测的核心前提是：训练集必须早于验证集，验证集必须早于灰度测试集。任何时间穿越（future leakage）都会导致回测结果虚高，上线后模型实际表现断崖式下跌。

4.1 时间窗口划分的三大原则

4.2 标准时间窗口划分方案

以月度信贷样本为例，假设当前时间点为 2024 年 6 月，推荐采用 「滚动窗口 + 固定间隔」 的划分方式：

• 训练集（Training Set）： 2023-01 至 2023-09（9 个月），用于模型拟合与特征工程。
• 验证集（Validation Set）： 2023-10 至 2023-12（3 个月），用于早停、超参数调优与特征筛选。
• 灰度测试集（Gray Test Set）： 2024-01 至 2024-03（3 个月），用于最终效果评估与决策阈值校准。

三个集合之间至少保留 1 个月的时间间隔（gap），避免相邻月份的样本分布过于相似，导致验证效果虚高。

4.3 时间窗口划分示意图

4.4 不同业务场景的窗口调整策略

4.5 代码实现：基于时间戳的样本划分

以下代码展示了如何根据时间字段将 DataFrame 划分为训练集、验证集和灰度测试集：

import pandas as pd
from datetime import datetime

def split_by_time_window(df, date_col='loan_date',
                         train_end='2023-09-30',
                         val_end='2023-12-31',
                         gray_end='2024-03-31',
                         gap_days=30):
    """
    按时间窗口划分训练集、验证集、灰度测试集
    """
    df[date_col] = pd.to_datetime(df[date_col])

    train_mask = df[date_col] <= train_end
    val_mask = (df[date_col] > train_end + pd.Timedelta(days=gap_days)) & \
               (df[date_col] <= val_end)
    gray_mask = (df[date_col] > val_end + pd.Timedelta(days=gap_days)) & \
                (df[date_col] <= gray_end)

    train_df = df[train_mask].copy()
    val_df = df[val_mask].copy()
    gray_df = df[gray_mask].copy()

    print(f"训练集样本数: {len(train_df)}")
    print(f"验证集样本数: {len(val_df)}")
    print(f"灰度测试集样本数: {len(gray_df)}")

    return train_df, val_df, gray_df

# 使用示例
# train, val, gray = split_by_time_window(data)

4.6 灰度测试集与验证集的核心差异