TimeSeriesSplit不能直接用于滚动预测因默认无gap导致未来信息泄露；正确用法需设gap≥0、test_size为多步长度、max_train_size按样本数而非时间单位设定。
为什么 TimeSeriesSplit 不能直接套用在滚动预测场景
很多人一看到“时序交叉验证”，就立刻用 TimeSeriesSplit，结果发现模型在验证集上表现异常好——其实是未来信息泄露了。根本原因是 TimeSeriesSplit 默认做的是“步进式切分”：每次训练集只包含前面若干折，但每折长度固定、不滚动，且测试集和训练集之间没有预留 gap。真实业务中（比如预测明天销量），你不可能拿 T-10 到 T-0 的数据去预测 T+1，却在训练时偷偷用了 T+1 到 T+5 的标签来拟合。
关键点在于：时序 CV 必须满足「训练时不可见任何测试时间戳及之后的观测」，且需模拟实际部署时的数据可用性边界。
- 训练集最大时间戳 必须严格小于 测试集最小时间戳
- 若要做多步预测（如预测未来 7 天），测试集应为连续时间段，而非单个时间点
-
TimeSeriesSplit的gap参数从 v1.1 才支持，旧版本会静默忽略，导致穿越
如何用 TimeSeriesSplit 正确设置 gap 和 n_splits
假设你有按日排序的 DataFrame df，索引是 DatetimeIndex，想做“训练 60 天 → 预测接下来 7 天”的滚动验证，共构造 5 轮：
from sklearn.model_selection import TimeSeriesSplit
tscv = TimeSeriesSplit(
n_splits=5,
gap=0, # 注意：这里 gap=0 表示训练集末尾与测试集开头紧邻（无重叠）
max_train_size=60, # 每轮最多用 60 个样本训练（非天数，需按 df 索引对齐）
test_size=7 # 每轮测试集固定 7 个样本
)⚠️ 容易踩的坑：
立即学习“Python免费学习笔记（深入）”；
-
max_train_size和test_size是样本数，不是时间单位；若原始数据非等频（如缺节假日），需先用df.asfreq('D')对齐 -
gap是训练集末尾到测试集开头之间的样本数；若想留 3 天缓冲（防滞后特征污染），设gap=3 - sklearn gap 参数，会退化为无 gap 的传统切分——务必检查
sklearn.__version__
自定义时序 CV 类：处理非等频 + 滚动窗口 + 特征滞后
当数据含滞后特征（如 lag_7, rolling_mean_14）时，仅靠 TimeSeriesSplit 不够。因为 lag 特征本身会把未来值“拉进”当前行，训练时看似没穿越，实则特征已含未来信息。
正确做法是在每次切分前，先截断数据，再生成滞后特征：
def make_lag_features(df, lags=[1, 7], windows=[14]):
df = df.copy()
for lag in lags:
df[f'lag_{lag}'] = df['target'].shift(lag)
for w in windows:
df[f'roll_mean_{w}'] = df['target'].rolling(w).mean()
return df.dropna() # 自动剔除因 shift/rolling 产生的 NaN 行
<h1>关键：先切分时间范围，再构造特征</h1><p>train_start, train_end = '2022-01-01', '2022-03-01'
test_start, test_end = '2022-03-02', '2022-03-08'
df_train = df.loc[train_start:train_end]
df_test = df.loc[test_start:test_end]</p><h1>分别构造特征（不跨时间范围）</h1><p>X_train = make_lag_features(df_train)[features]
y_train = df_train['target']
X_test = make_lag_features(df_test)[features] # 注意：这里 df_test 不能用 df_train 的 rolling 结果！
y_test = df_test['target']</p>- 滞后特征必须在每个子集内独立计算，禁止用全量数据一次性生成后切片
- 如果用
sklearn.pipeline.Pipeline，确保自定义 transformer 的fit_transform只基于当前 fold 的训练数据 - 验证集上的 rolling 特征要能复现——上线时你也只有截至预测日的历史数据
验证是否真的没穿越？用时间戳断言代替肉眼检查
最可靠的方式不是看结果好坏，而是加一行断言，在每次 fold 开始前强制校验：
for i, (train_idx, test_idx) in enumerate(tscv.split(X)):
train_max_time = X.index[train_idx].max()
test_min_time = X.index[test_idx].min()
assert train_max_time < test_min_time, \
f"Fold {i}: time leak! train_max={train_max_time}, test_min={test_min_time}"
这个断言应该放在 CV 循环最开头。一旦失败，立刻定位哪一折出问题——常见原因包括索引未排序、asfreq 填充了未来值、或手动拼接了不同时间段的 DataFrame 导致索引错乱。
真正难的不是写对某一次切分，而是让整个 pipeline（数据加载 → 特征工程 → CV 切分 → 模型训练）全程保持时间因果链闭合。任何环节把未来数据提前暴露给训练逻辑，都会让 CV 失效，而这种失效往往不会报错，只会让你高估模型能力。
