滚动起点验证与信息可用时间

形式陈述

预测明天时不能使用后天才发布的资料。它沿用留出法的训练与评价隔离，但要重建每一时点的信息集合。滚动起点验证依次回到历史时刻，重建那个时刻能够运行的完整预测流程，再等待对应结果成熟后计分。它比把文件按日期排序多一项要求：每个数值要有真正的可用时间。

设 $\mathcal F_t$ 表示预测起点 $t$ 当时已公开的信息，包括历史已成熟标签、当时版本的特征、预先固定的随机种子和过去允许看到的评价反馈。预测 $\widehat y_{t,h}$ 应只依赖 $\mathcal F_t$ ，目标是未来 $Y_{t+h}$ ，步长 $h$ 为正整数。

用监督样本 $(X_s,Y_{s+h})$ 训练时，记特征版本的可用时刻为 $a_X(s)$ 、标签可用时刻为 $a_Y(s+h)$ ，训练索引至少应满足

I_{t,h}=\{s:a_X(s)\le t,\ a_Y(s+h)\le t\}.\tag{1}

还可在其中限制最近 $w$ 个可用样本，形成固定窗；或保留全部，形成扩展窗。特征是否符合预测任务还要核对： $X_s$ 必须是当时预测 $Y_{s+h}$ 可用的版本，不能把后续修订值回填给历史模型。所有需学习的预处理也在该起点合法训练侧重新拟合。

对预先选定的有限非空起点集合 $\mathcal O_h$ ，定义按步长分别报告的经验损失

\widehat R_h=\frac1{|\mathcal O_h|}\sum_{t\in\mathcal O_h} \ell(\widehat y_{t,h},Y_{t+h}).\tag{2}

这是指定起点、窗口、更新频率和步长下的风险评价对象。没有平稳性或迁移假设时，它不自动等于未来某一时点的风险；它首先是一份诚实的历史回放。

直觉

一个业务日期可能有三个不同时间：事件发生、标签最终确定、数据对预测系统可见。真正决定能否训练的是后两者。随机打乱资料容易借到未来信息；只按事件日期切分，也可能让尚未成熟的标签偷偷越过边界。

滚动起点像反复按下“当时重放”。每次都从当时的资料训练，只使用当时可见的输入生成预测。一个模型在起点3预测第5天，与在起点4预测第5天拥有不同信息，它们是两个不同步长任务。

例子与边界

发布延迟一日的八点回放

八天真实值为

(Y_1,\ldots,Y_8)=(1,2,3,5,4,6,7,8).

$Y_j$ 在第 $j+1$ 天末才可见，预测均在起点 $t$ 当日晚间发出，所以最新可用值是 $Y_{t-1}$ 。预先比较两种规则：甲报最新可用值，乙报最近两个可用值的平均。两者都把这一个水平预测用于 $h=1,2$ 。起点固定为3、4、5、6。

起点 $t$	最新可用值	甲预测	乙预测	$Y_{t+1}$	$Y_{t+2}$
3	$Y_2=2$	2	$3/2$	5	4
4	$Y_3=3$	3	$5/2$	4	6
5	$Y_4=5$	5	4	6	7
6	$Y_5=4$	4	$9/2$	7	8

采用平方损失，甲在一步、两步的四项损失分别为 $(9,1,1,9)$ 、 $(4,9,4,16)$ ，所以

\widehat R_1(甲)=5,\qquad \widehat R_2(甲)=33/4.

乙的一步损失为 $(49/4,9/4,4,25/4)$ ，两步为 $(25/4,49/4,9,49/4)$ ，从而

\widehat R_1(乙)=99/16, \qquad\widehat R_2(乙)=159/16.

在这份回放中甲在两种步长都更好。若把这些结果拿来选甲，它们就是选择依据；不能又宣称是选中规则的全新独立测试。

如果错把尚未发布的 $Y_t$ 当成已知，甲的一步预测变成 $(3,5,4,6)$ ，损失为 $(4,1,4,1)$ ，平均2.5。这个更漂亮的数对应一项当时做不到的任务。

标签窗口重叠：按行日期留出仍可能泄漏

另一个任务在起点 $s$ 预测未来两日总量 $Z_s=Y_{s+1}+Y_{s+2}$ 。单日值同样延迟一日发布，因此标签 $Z_s$ 到 $s+3$ 才完全成熟。若要在 $t=6$ 重新训练，合法标签必须满足 $s\le3$ 。

只用“样本起点早于6”会把 $s=4,5$ 也放进训练，但它们分别包含 $Y_6,Y_7$ ，在起点6并未全部可见。删除这些未成熟样本来自具体可用时刻，不是一个可任意照搬的“间隔两行”魔法。

相邻的 $Z_s,Z_{s+1}$ 还共同含 $Y_{s+2}$ 。即使每次训练都合法，最终回放损失也可能相关。删除训练边界附近的行能阻断特定信息穿越，并不会让所有相邻预测误差变成独立。对于不规则采样，应按实际日期区间检查交叠，而不靠固定行数代替时长。

推论与应用

可用信息、目标和误差要分别审计

诚实回放保证每个预测是 $\mathcal F_t$ 可测。于是条件风险可以定义为

r_{t,h}=E[\ell(\widehat y_{t,h},Y_{t+h})\mid\mathcal F_t].

在可积条件下，全期望给 $E\widehat R_h=|\mathcal O_h|^{-1}\sum_t E r_{t,h}$ 。这个平均可能随时间改变，不等于“永远稳定”的单个总体风险。各项损失共享资料、目标或环境，普通IID标准误与逐行Hoeffding界没有自动依据。要做区间，需给出适用的依赖、平稳或序贯条件；仅画出向前箭头不算证明。

若上线每天更新一次，回放也应每天更新；若上线每月冻结，回放每一天重训会评价另一种算法。窗口长度、遗忘系数、特征处理和校准规则，都应只通过当时允许的开发资料选择。跨时间比较若同时涉及重复实体，还需结合新实体与已见实体目标，记录谁的历史能被访问。

调参与成本

本例两条规则、四个起点，每条规则在每个起点算一次水平，共8次参数更新；每次产生两个步长的预测，共16个“起点—步长”输出。甲取最新值、乙更新二项和都可常数时间完成，但不能因此把一般模型的重拟合成本也记为常数。

若有 $M$ 候选、 $T$ 个起点，各自从头拟合一个共享多步模型，需 $MT$ 次拟合；若每个步长训练独立模型，通常还要乘 $H$ 。暖启动或增量更新可以降低实际费用，但应保存等价更新条件和每次可用数据。比较不同方法时，应同时报模型拟合、预测数量和实际时间，不能只比较“跑了四折”。

可以先在较早的一组起点调参，锁定流程后在较晚起点回放；或每个外层起点内部只用更早已成熟资料重新调参。后者评价持续学习流程，内部搜索成本也需逐轮累计。无论采用哪种方式，都不能在最晚窗口发现变化后回头修改早期预测，并将修改后的结果说成实时表现。

自测与答案

标签 $Y_{s+3}$ 发布延迟两日，在 $t=10$ 拟合时最大的合法样本起点是多少？答案： $s+3+2\le10$ ，故 $s\le5$ 。
两个起点预测同一天的值，能否合成一个不标注步长的误差？可以先指定一个业务加权目标再汇总，但不能把它当成单一一步预测任务；报告时应保留步长构成。

给冻结规则的损失均值加上依赖尺度

完成信息可用时间审计后，若评价的是已冻结规则，且另有适用的平稳弱依赖模型，HAC协方差估计可以把有序损失或损失差的滞后协方差转成均值标准误。该页给出高斯有限MA均值的明确保证；它不能自动覆盖本页随起点重训、持续调参或结构突变的流程。诚实回放与依赖区间的模型条件仍是两项不同责任。

参考资料

Rob J. Hyndman and George Athanasopoulos, Forecasting: Principles and Practice, §5.10 Time Series Cross-validation, 3rd ed.，滚动起点、逐步扩展训练与多步误差。本文八点发布延迟与标签成熟算例为独立构造。
scikit-learn developers, TimeSeriesSplit，gap、max_train_size和等间隔样本下可比较测试时长的接口。软件的行数参数不能替代本文逐字段的实际可用时刻检查。

形式陈述 ​

发布延迟一日的八点回放 ​

标签窗口重叠：按行日期留出仍可能泄漏 ​

可用信息、目标和误差要分别审计 ​

调参与成本 ​

自测与答案 ​

给冻结规则的损失均值加上依赖尺度 ​